能读的转写文字,不自动等于带时间的字幕源。找不到字幕导出前,先查识别路线和真实返回数据。阿里云非实时语音识别指南区分不同路线,部分结果包含声道及时间信息;不能认为每个模型、同步调用或兼容接口都返回同样结构。
直接看结果,不只看名称
打开实际响应或下载文件,辨认它只有纯文本,还是包含句子区间、词级区间或其他结构。文档有说明时记录时间单位和时间线起点。某字段叫 transcript,可能只表示文字;任务成功不说明已经请求或具备时间数据。
假设采访编辑拿到准确段落,需要制作字幕。把文件后缀改成 SRT,不会产生字幕边界和时间。另一种情况是结构结果已有时间,但当前导出器没用上,后续处理完全不同。这里是排查示范,没有代表某项识别功能已经实测成功。
按交付目标决定需要什么数据
先决定要句级字幕、逐词高亮,还是便于阅读的文字稿。无时间文字稿也有价值,但交付性质不同。选择生产路线前,应核对当前识别器和模式是否提供所需数据,不要等识别完才发现拿不到必需字段。
| 交付目标 | 必须核对的数据 | 不能从什么推断 |
|---|---|---|
| 阅读文字稿 | 批准文本 | 字幕文件名 |
| 定时字幕 | 每条起止位置 | 仅有准确段落 |
| 逐词高亮 | 适合的词级时间 | 仅有句子区间 |
| 剪后影片字幕 | 正确时间线起点 | 未剪原片的时间 |
这是原创输出契约表,不说明某个服务对全部模型和语言都提供每项能力。
选择如实可行的补救
时间缺失时,可以选择合适且支持的对齐或识别路线,或在适当编辑工具里人工给批准文字定时。不要把文字平均分配到时长,再当成已经测量的讲话对齐。已有时间但单位或结构不同,应按文档语义谨慎转换,并抽查代表位置。
转换后检查首次讲话、中间事件与结尾。影片剪短或变速后,原源时间可能还需要编辑调整。原始结构结果与转换字幕分别保存,让后续能区分错误来自识别、转换还是剪辑。只留最后文件,通常很难还原为什么偏移。
文字和时间分别验收
将最终字幕与真实交付视频播放,核对字词、可读分组、起止位置,以及静音处是否出现无依据字幕。时间正确不能修复错误文字,文字正确也不能证明时间合适。不能因为预览看见一段字幕,就宣布整片定时通过。
Imagild 项目可在当前流程支持时使用外部字幕文件,但本篇不说明 Imagild 暴露阿里云识别数据,或自动对齐任意文字。目标是让字幕路线获得真正需要的数据,并以最终播放完成验收,而不是依赖一个看起来像字幕的文件后缀。