Whisper 转 1800 秒音频 时间戳漂移 8 秒 分段怎么切

陆零云 26 0
20 分钟的会议录音 1800 秒,用 faster-whisper 的 large-v3 整段转写,导出的 srt 前 5 分钟跟音频对得上,最后一段字幕比说话晚 8 秒,越往后偏得越多。 第一反应是模型幻觉,检查文本没有重复也没有漏句,只是时间戳整体后移。换成 medium 偏差小一点但仍然存在,说明跟模型大小无关,是时间轴在累加。 翻实现才明白,整段输入时内部按 30 秒窗口切,每个窗口单独预测时间戳,误差在 60 个窗口里累积;再加上开了 VAD,...