要实现“没人讲话时不显示字幕”，即字幕仅在说话时出现，需要确保字幕文件的时间轴与语音片段精确对齐。这主要取决于语音识别（ASR）步骤的准确性。
核心原因：字幕时间轴不精确，导致静音部分也显示了字幕。
解决方案：
优化语音识别参数：
- 在软件主界面，点击“设置更多参数...”。
在“语音识别参数”区域，调整以下关键设置：
- 语音阈值：适当提高（例如从默认的0.5提高到0.6或0.7），以减少将背景噪音误识别为语音的概率。
- 静音分割持续毫秒数：适当增加（例如从默认的500ms增加到800ms或1000ms），确保在语音结束后有足够的静音间隔才分割字幕，避免字幕片段过长覆盖静音区。
- 最长语音持续秒数：设置为一个合理的值（例如5-8秒），避免单条字幕持续时间过长。
- 如果视频背景噪音较大，可以勾选主界面的“降噪”选项。
使用更精确的语音识别渠道：
- 对于中文视频，推荐使用 Qwen-ASR(本地) 或 阿里百炼ASR（在线）。
- 对于非中文视频，推荐使用 faster-whisper(本地) large-v3模型 并确保已勾选“CUDA加速”（如有NVIDIA显卡）。
- 在线渠道如 OpenAI语音识别API 或 Gemini语音识别 通常时间轴更精准。
启用“二次识别”（关键步骤）：
- 在软件主界面的“同步对齐”行，务必勾选“二次识别”。
- 此功能会在生成配音后，对配音音频再次进行语音识别，生成与配音完全同步的新字幕。这能有效解决因翻译后句子长度变化导致的字幕时间轴错位问题，确保字幕仅在配音播放时显示。
检查与调整：
- 处理完成后，在输出文件夹中打开生成的SRT字幕文件，用文本编辑器或字幕软件查看，确认静音部分是否还有字幕条目。理想状态下，静音时段不应有字幕。
最佳实践参考：如果您需要克隆原视频音色进行配音，在调整上述参数时，需额外注意将“最短语音持续毫秒数”设为3000，“最长语音持续秒数”设为10，并选中“Whisper预分割音频”和“合并过短字幕到相邻”，以确保参考音频时长合适。
请查阅相关文档：