展开本页目录
开始前准备什么
- 下载本页素材，使用有权处理的声音，保留原始输入。
- 为对应工具建立独立 Python 环境，核对实际模型与版本。
- 先在小样中试听并保留失败记录，再处理长录音。
- 下载含五秒静音的输入
- 分别保留 VAD 开关两次输出
- 读取静音参数
- 对照 durationAfterVad 与原始时长
- 专门回听静音两侧
- 保存参数与两版结果
本任务输入、脚本、原始输出或明确待运行模板、原文、校验与损坏负例；不含模型权重。
macOS say 合成的本站原创任务输入；不是模型生成成功证明。
朗读输入与回听依据，独立于机器实际稿。
包含具体命令、步骤、来源与未运行范围。
保留原始文件；准确性需回听，脚本存在不代表模型已运行。
1. 下载含五秒静音的输入
练习录音包含两组不同句子，中间人为加入五秒零样本静音。input.wav 的实际波形可见静音段；它与短句转录页的输入和验收目标不同。
2. 分别保留 VAD 开关两次输出
先执行 run.py 不加 --vad，再加 --vad 输出 vad-on.json。保持模型、beam_size、语言和词级参数一致；只改变 VAD，避免把多个参数变化当作过滤效果。
3. 读取静音参数
示例 min_silence_duration_ms=500 表示 VAD 判断静音的最小时长参数，不是字幕每五百毫秒一行。它会影响合并语音区间；先从保守设置开始，再用自己的录音回听。
run-commands.sh
python run.py input.wav --out vad-off.json --language en --words
python run.py input.wav --out vad-on.json --language en --words --vad
python check.py4. 比较 VAD 后推理量与原录音时间
分别读取两版 duration 与 durationAfterVad，确认它们描述的是原时长与过滤后处理量。字幕仍应对齐原 WAV，不能按过滤后的拼接时长把静音后字幕整体提前。
在含五秒静音的原音上找最后一个静音前尾字和第一个静音后首字，按实际时间播放核对，再记录额外幻觉或漏字。
5. 专门回听静音两侧
查看静音前的尾字和静音后的首字是否被裁掉。对无声段的额外识别单独记为错误；录音有音乐或弱音时不能仅凭波形幅度判定没有讲话。
6. 保存参数与两版结果
下载含开关两版 JSON/SRT 的素材，运行校验并对照真实输出。最终采用哪版由回听决定，VAD 不保证消除所有幻觉。
7. 下载材料、检查负例与继续操作
解压素材包后先运行 python check.py，再运行 python check.py --self-test。前者读取真实 WAV / JSON / SRT 与源 hash；后者拒绝损坏 WAV、倒置时间、越界时间和缺失词时间。文件通过不代表文字、情绪或说话人判定已通过。
怎样确认已经完成
- VAD 两版使用相同输入和识别参数。
- 字幕仍映射原音时间，不因移除静音整体前移。
- 静音两侧首尾字和无声段已独立回听。
常见问题
VAD 会改变原音文件吗？
本页不写入原 WAV，过滤在推理过程内进行；保存原文件和完整时间证据，不能把它等同于剪辑器删除静音。
有 VAD 就不会出现空白段字幕吗？
不能保证。音乐、环境噪声和弱音都可能影响判断；比较开关版本并回听，不用过滤参数替代人工检查。