三小时课堂音频的转写实战:切分策略与时间戳对齐拼接
课堂录音转文字稿,是学生和培训从业者最常干的活,也是长音频翻车率最高的场景:三小时的档,接口有时长上限、本地模型跑一半崩、拼回来的时间戳对不上老师敲的重点。这篇把我踩完坑的定版方案写一遍。
第一步:别整档提交,按静音边界切
三小时的课切 18 段十分钟的小段,比整档怼上去可靠得多。但切点选择有讲究:
错误做法:按固定 600 秒硬切。切点大概率落在句子中间,两个半句分属两个任务,转出来每段首尾各半句,拼接处全是残缺句。
正确做法:以 600 秒为目标,用 VAD(语音活动检测)在目标点前后 30 秒窗口里找最近的长静音点(>800ms)作为实际切点。这样每段都从一句话的开头开始、到一句话的结尾结束。切完统计一下各段音频时长和转写时长的比例,正常应该都在合理区间——某段比例异常,说明切点附近混进了大段静音或者音乐(课件视频的外放),单独处理。
第二步:逐段转写,断点续传靠「段清单」
每段独立提交、独立落盘,维护一张 manifest:段号、音频时长、起止偏移、状态(待转/已转/失败)、出稿字数。断点续传的逻辑就变成重放清单里非「已转」的段。
校验别省:每段转完立刻检查「出稿字数 ÷ 音频时长」是否落在正常语速区间。这个数过低说明拿到空稿或者被吞了大半——空文本坏结果不会自己报错,全凭这道闸。
第三步:拼接时时间戳要加偏移
各段返回的时间戳都是段内相对时间,拼接时必须给每段加它的起始偏移量(该段在原音频里的开始秒数):
for seg in segments:
offset = seg.start_sec
for line in seg.lines:
line.begin += offset
line.end += offset
偏移量要用实际切点而不是目标切点(VAD 微调后每段起点不是整 600 秒)。这一步搞错的后果:时间戳整体错位,按时间找重点永远找不到——我第一版就是这样,排查半小时以为是模型问题,实际是拼接层算错了自己。
第四步:产出整理
拼好的全文按「原音频第 X 分 Y 秒」可定位导出,配合课间长静音自动分段(>5 分钟的静音即课间),稿子就有了章的结构。回头复习或者引用同学的提问,按时间点跳就行。
三小时的课,这套流程机器时间大概十来分钟(取决于通道),人工时间花在段落校验和课间确认上,二十分钟以内。相比整档硬怼反复重跑,切分-清单-偏移这三步是长音频唯一的稳路。
浙公网安备 33010602011771号