从 4.2 秒到 4.6 秒:字幕润色时,那 400 毫秒该归谁?
播放到 4.2 秒,一句提示结束。下一句到 4.6 秒才开始。这段安静有时是讲解者换气,有时是在等画面切换。把转写稿交给模型校对,模型没有视频上下文;修改一个错别字也没必要让它决定这段空白要不要留下。
用边界时刻检查播放器
在测试播放器里分别定位到 4.19、4.20、4.40 和 4.60 秒。若项目约定区间左闭右开,第一处应显示 b,接下来两处应清空,到 4.60 秒才显示 c。把预期写在测试数据旁边。检查画面时暂停并显示媒体时间,避免因为人工按键反应时间误判边界。
做一段八秒四的测试片
下面是一份合成的教程字幕。时间统一用从片头起算的整数毫秒表示;把文本和时钟分别存起来,之后才知道是谁改了哪一项。实操时可以自己读这四句话录一小段音频,也可以直接使用数据做离线测试。本文实际运行的是后者。
| 片段 ID | 起点 | 终点 | 原句 |
|---|---|---|---|
| a | 0 | 1800 | 先保留原文件。 |
| b | 1800 | 4200 | 把等待时间设成 15 秒。 |
| c | 4600 | 6900 | 不要覆盖输出目录。 |
| d | 6900 | 8400 | 现在可以预览。 |
为什么在 b 和 c 之间故意空出 400 毫秒?编辑器可能希望把几行接得更顺,自动让上一句的终点贴到下一句的起点。如果业务只是改错字,这种“顺手修复”已经改变了成片。把停顿放进样本,就能立刻察觉。另一个小设计是 b 有一个操作参数,c 有一个否定词;两句话都可以被改得非常流畅,同时彻底偏离讲者的意思。
一次请求应当交代什么
把模型的权限收窄到文字编辑。可以这样写任务:“修明显的转写错字和标点。保留数字、单位、否定和操作先后。按给定 ID 返回候选文本;无法判定的词照录,另列疑问。”输入只给待改行和确有必要的前后句,给上下文行标成只读。两批交界处可以重复提供同一句帮助理解,但只能有一个批次拥有这句的写入权。
输出先写候选区。审稿界面并排显示原文和改后文本,突出变化,并能回到该句所在的播放位置。保留原始媒体对应的版本;如果剪掉了片头,即使四个 ID 都没变,旧时间码也可能全部失效。带版本号保存候选结果,审核页才能提示“这批文字来自剪辑之前”。
一段能离线运行的 Python 检查
把下面内容存为脚本,用 Python 3 执行。它接收的只是解析后的纯文本片段。复杂字幕文件里的样式、位置、说话人和轨道设置仍要由支持具体格式的读写器保留。
from collections import Counter
cues = [
("a", 0, 1800, "先保留原文件。"),
("b", 1800, 4200, "把等待时间设成 15 秒。"),
("c", 4600, 6900, "不要覆盖输出目录。"),
("d", 6900, 8400, "现在可以预览。"),
]
def rebuild(cues, edits):
ids = [row[0] for row in cues]
if Counter(ids) != Counter(k for k, _ in edits):
raise ValueError("id mismatch")
if len(set(ids)) != len(ids):
raise ValueError("duplicate source")
text = dict(edits)
if any(not isinstance(s, str) or not s.strip() for s in text.values()):
raise ValueError("empty text")
return [(k, start, end, text[k]) for k, start, end, _ in cues]
edits = [(k, s) for k, _, _, s in reversed(cues)]
assert rebuild(cues, edits) == cues
try:
rebuild(cues, edits[:-1] + edits[:1])
except ValueError as e:
print(str(e))
else:
raise AssertionError("duplicate accepted")
changed = [(k, s.replace("15", "50")) for k, s in edits]
print(rebuild(cues, changed)[1])
第一行输出 id mismatch:把末尾结果替换成首条,列表长度照旧,重复和遗漏同时发生。第二行仍会输出带“50 秒”的 b。这个结果说明结构检查只能把答案安放到正确位置,语义上的参数篡改还要靠另一道复核。第一条断言还验证了一件小事:倒序返回四个正确片段可以无损恢复。
单算文字修订这一步的预算
2026 年 11 月 20 日核对 NexoToken 公开目录,国产优选分组的 qwen3.8-flash 普通输入约 ¥0.24、输出约 ¥0.81,单位均为每百万 Token。作者参与 NexoToken 维护。这里让文本模型处理已有转写稿;录音、转写、人工听审和视频导出另行计量。
假定一次送入 10,000 个普通输入 Token,返回 2,000 个输出 Token,模型费用约为 0.01 × 0.24 + 0.002 × 0.81 = ¥0.00402。两千输出包含协议文本和重复返回的 ID,不能拿最终字幕的字数代替。重跑某几句时,把这次的上下文和实际输出重新记账。这组 Token 数用于估算,本次没有调用收费模型。
留意两种貌似相同的变化
第一种是在剪辑中删除 400 毫秒素材。这确实需要重算之后的时间码。另一种只是把字幕中的标点换成句号,媒体时长、时间码和片段顺序都应保留。保存源媒体和时间轴的版本能帮你决定重做哪一步。若导出后又出现吸附行为,查导出器的最小间隙设置,别让模型重复改同句话。
本文由 AI 辅助起草。
浙公网安备 33010602011771号