逐字稿文字預覽
利用Whisperger给日语电影配中文字幕的终极教程,如何让人工校正最轻松? 1.下载Whisperger模式选择双通道模式。 PAS1选择Fidelity模式Balance灵敏度加OutTalk能量检测加10.5分段更细,不会字幕过长。 PAS2选择Balance模式Aggressive灵敏度加Colero加Colero6.2V。 第一遍保证模式才是准确度的大头,准确度占比80%, 第二遍只是填充的,以弥补字幕不全。 所以PAS1保证模式必选精细度最高的OutTalk加10。 而PAS2平衡模式准确度更低,仅仅为了填充,所以选精细度不高的Colero,保证模式更强。 而且比平衡模式准确度强太多,保证模式是FP16,平衡模式是影的8。 所以必选以PAS1为主,PAS2填充,这样准确度更高后期人工校正更轻松。 2. 模型必选Large VR而不是Large V3。 VR等于日语专精型,V3等于全球平均型,转入日语首选V2。 V3做了两个大升级,梅尔平谱从80-128,日语更容易收噪音影响。 词调Token扩容加了很多小语种,日语全重下降。 这两个改动对日语全是浮悠化。 V3更改编,日语最受不了幻觉。 V3为了流畅度更容易脑补内容,日语一脑补就是语法错,禁语错,注词。 错VR更保守,不乱编日语反而更稳。 3. Whisper J A V尽管能把Large VR的幻觉降低,但是实测幻觉依然存在。 可以使用AI翻译成中文后,用Subtitle Edit软件打开该字幕。 进入多重替换,用正则表达式或者正常字符替换添加幻觉词消除。 Large VR转写加AI翻译后的幻觉并非随机乱码,而是有明确的高频固定模式。 多余的冗于双引号,莫名出现的人物前缀,固定同音措辞等。 色Title Edit的多重替换,支持一次性导入整份规则库,也就是我提到的幻觉词表。 双引号修正规则,全局批量执行,还可以反复运行二到三次彻底清理。 全程不需要逐行手动修改,效率远高于纯人工校对。 Large VR的幻觉本质是训练数据高度依赖YouTube预料。 模型在静音、噪音、低质性读音频段会自动脑补出训练里最高频的YouTube互动画书, 属于模型先天特性,并非操作故障。 4. 关于人工修正,经过色Pyto Edit清洗以上步骤后,修改起来还是比较轻松。 我愿称之为目前人工修正最轻松,幻觉最少的字幕软件。 一般300行5到10分钟左右,600行10到15分钟左右,快一点的话就5分钟,看你是不是想认真改。 关于笔记本设备,推荐3070TI笔记本,拥有5888个流处理器,是性价比最高的AI设备选择。 转录速度比4060亿4070万5060笔记本快,而且价格也不贵。 只要把温度控制好,就能最大程度发挥效率,节省时间。 5.字幕的质量还算可以,精确度非常高。 当然尽管用了双通道模式避免漏掉字幕,但或多或少还是会漏掉一点字幕,不过瑕不掩瑜。 如果强行上保真模式最高灵敏度,首先幻觉会直线上升。 其次是字幕人工修正更辛苦,两者直接影响后面的准确度,而且时间太漫长得不偿失。 为了这一点漏掉的字幕而放弃最终的准确度,没必要。 假如是一小时时评600行,Whisper这保真模式转录需要一小时20-30分钟左右,3070TI笔记本。 AI翻译也就2-3分钟,多重替换也就10几秒。 人工校正一般10-15分钟。 整体上看最耗费时间的还是转录,所以可以把转录时间留给凌晨。 一般凌晨0点转录,到早上8点,一般就能转录好5个视频。 视频时长都是一小时左右,不影响白天玩电脑。
本次執行流程與問題處理
下達指令
預期流程
- 自動字幕優先，Whisper 作為備援
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：19.0 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：37.7 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.8 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.8 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.8 秒
關係：依序執行
結果：完成
6. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.9 秒
關係：依序執行
結果：完成
7. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.9 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.9 秒
關係：依序執行
結果：完成
9. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.9 秒
關係：依序執行
結果：完成
10. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：123.4 秒
關係：依序執行
結果：完成
11. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.5 秒
關係：依序執行
結果：完成
12. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.6 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.whisper.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- 逐字稿可先使用，但有待校正清單
segment=38 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=39 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。