立体声播放器里听得见的人声,识别任务未必收到了。加强降噪前,应检查声道配置和实际提交文件。阿里云相关识别流程有声道选择及结果声道信息,仍要核对具体模型与接口,不能默认播放器能听到的所有声道都会一起转写。
将各声道独立听一遍
保留原件,辨认真实音轨和声道布局,使用合适编辑工具分别听左右,不只是把一个扬声器调小。播放器可能进行了混音,也可能选了另一条音轨。记录目标人物在哪个声道、有没有其他声音重叠,不根据“声音听起来偏左”就下结论。
假设仪式录音一侧是清楚的主持讲话,另一侧主要是现场音乐。立体声播放能理解,但任务若选择音乐侧,可能得到很少有效文字。这是需要验证的路由假设,不代表所有稀疏转写都是该原因,也不是已经完成过识别对比的声明。
沿实际文件追到识别输入
记录上传文件、选中的音轨,以及能取得的识别声道设置。检查中间导出是否改了布局。来自错误一侧的单声道文件,技术上完全有效,却可能不含目标说话者。相似文件名也不能证明送入的是正确混音,必须听实际导出。
| 材料 | 应听什么 | 交给任务的证据 |
|---|---|---|
| 原件左声道 | 讲话或竞争声音 | 记录其职责 |
| 原件右声道 | 讲话或竞争声音 | 记录其职责 |
| 准备好的识别文件 | 正确目标内容 | 实际文件审听 |
| 识别配置 | 支持的声道选择 | 真实设置记录 |
这是原创路由检查,不规定所有项目都选左或右,也不宣称已经做过识别实验。
决定选声道还是另备文件
服务支持所需声道选择时,按当前文档配置;不支持时,可在编辑工具中准备合适讲话文件,保留原件并注明来源。两边是不同人物或存在相位问题时,不要盲目相加。新混音要实际听过,导出成功不能证明目标声音还在。
准备后检查完整讲话区间、开头和结尾;要与原视频做字幕时,保持时间关系。抽取文件若从中间开始,识别即使准确也会看起来字幕偏移。声道修复与时间对齐是两项独立检查,不能修好一个就默认另一个也正确。
再审文字与声音
确认目标人物已被覆盖,再检查字词、数字和重叠讲话。选对声道不保证准确率,也不能自动解决混响。如果所有原声道都没有目标人声,改选择也无法凭空恢复。此时应如实说明素材缺失,而不是继续提高降噪强度。
Imagild 项目可保存审过的外部音频及声道来源记录,但本篇不宣称 Imagild 提供声道控制,也不把某个阿里云默认值套给全部路线。目标是在更多处理前,先证明识别器收到的确实是预定的可听来源。