最新

AI 怎么在转写稿里标出每句话的时间戳

转写只给纯文本就用不上定位。要拿到每句话的起止时间,得从输出格式、分段方式到校对流程一起管住。

转写稿最怕只拿到一坨纯文本,想回听某一句得从头拖进度条。带时间戳的输出能让校对效率翻几倍,也顺手就是字幕的原料。这篇只处理时间戳这一件事。

入口在哪

  • 转写工具的导出选项里,通常同时提供纯文本、字幕文件、结构化数据三种,只有结构化数据才带逐句时间。
  • 调用接口时看返回体里有没有分段数组,字段名常见的是 segments 或 utterances,每条带开始与结束时间。
  • 已经转完的纯文本补不回来时间,只能拿原音频重跑一次,这一点先确认清楚。

具体步骤

  1. 重跑时选带分段的输出格式,先拿一分钟的小片段试,确认返回里确实有逐条时间再跑全文。
  2. 核对时间单位。有的接口给秒,有的给毫秒,换算错会让整条时间轴差一千倍,用总时长对一下就能发现。
  3. 分段太长就按标点或静音切开,理想状态是一段一句话,后面做字幕和回听都方便。
  4. 把开始时间格式化成「分:秒」,写到每行行首,保留两位小数够用,再多没有意义。
  5. 要出字幕就导出标准字幕格式,序号、时间轴、文本三段一组,中文一行控制在十六到十八个字。
  6. 校对阶段只改文字不动时间轴,改完抽三四处回听,确认标的时间和实际开口时间对得上。

几个坑

  • 校对时删掉一条或合并两条,后面所有时间轴整体错位。改文本必须保持条数不变,合并要连时间一起改。
  • 录音设备时钟漂移会让文件内时间与真实时间对不上,跨设备拼接时尤其明显,最好用同一台设备录完整场。
  • 转写时间戳的精度通常在零点一秒级,做字幕切点够用,但别拿它当帧级对齐的依据。
  • 长时间静音会被切成超长一段,时间跨度几十秒却只有半句话,字幕里必须手工拆开。

怎么验证

随机抽三条,按标注时间去播放器里跳转,听第一句是不是正好在标注的那一刻开始。再把字幕文件导进播放器整体过一遍,看有没有闪一下就消失的短条或时间倒序的条目。

常见问题

转写出来的时间比实际慢了十几秒?

先看音频开头有没有一段静音被算进时长,再看转写服务是否做了降噪前的重采样。把开头静音裁掉重跑一次,如果偏移量固定且一致,说明是设备时钟问题,可以整体平移修正。

两个人抢话的时候时间戳会重叠吗?

会。区分说话人的功能靠声纹切分,抢话段落常被切成两条时间重叠的记录。这种地方不要指望自动修,单独听一遍手工拆,字幕里宁可让后一句晚半秒出现。

只要每段开头的时间,不要结束时间行不行?

做稿件索引够用,做字幕不行。字幕需要每条有明确的结束点,否则播放器只能靠下一条的开始来推算,接缝处容易露出上一句的尾巴。

一句话总结:时间戳来自带分段的输出,改文本不改条数,最后按标注时间回听抽查就能交付。