#7211 为什么翻译视频时会产生残留中文、说话人错乱、时间轴漂移等问题，如何调整可避免，翻译流程中的区分说话人功能是否在字幕长度处理前先执行，然后再合并或拆分字幕？如果直接用批量化文件夹结构，利用原片字幕，是否还会预处理字幕（根据说话人、间隙、长度执

核心原因分三类，需分别处理：

1. 残留中文

• 语音识别（ASR）阶段漏识别或识别失败，导致部分片段没有对应字幕/译文。
• 翻译渠道返回空结果（AI 模型合并相邻字幕、或输出格式不符）。可在 高级选项 → 字幕翻译 中将「Traditional/AI 翻译渠道每批字幕行数」设为 1，取消「发送完整字幕」，强制逐行翻译。
• 未勾选有效配音/字幕渠道，导致部分行未处理。
• 参考文档：翻译结果空白原因

2. 说话人错乱

• 仅在单视频交互模式下才启用说话人识别与角色分配。批量翻译（多选文件或勾选文件夹）时会跳过说话人分离阶段。
• 若需要准确的多角色配音，必须逐个单视频处理，并在弹出的字幕编辑窗口中为每个说话人指定配音角色。
• 说话人分离模型选择不当（内置模型仅支持中英；pyannote 需要 huggingface token 与授权）。

3. 时间轴漂移

• 不同语言音节数不同，配音时长必然变化，这是本质原因。
• 优化措施：同时勾选「配音加速」+「视频慢速」；减小 高级选项 → 语音识别参数 中的「最长语音持续秒数」（6–10）与「最短语音持续毫秒」（3000–4000）；使用「二次识别」生成贴合配音的短字幕；翻译时使用 DeepSeek/GPT 并开启「发送完整字幕」获取更精简译文。
• 参考文档：字幕语音画面对齐原理

关于流程顺序：

• 处理顺序为：语音识别 → 说话人分离 → 字幕翻译 → 配音。即说话人分离在 ASR 完成后、翻译前执行，它只是给识别出的字幕打上说话人标签，不主动对字幕做合并/拆分。
• 字幕的合并/拆分由 ASR 阶段的 VAD（静音分割、最长/最短语音持续、静音分割毫秒） 决定，以及可选的 LLM 纠错（v4.12 起仅修正错别字与标点，不再重新断句）。
• 因此「说话人分离」与「字幕长度拆分合并」是不同阶段的两件事，前者在后者之后、翻译之前进行。

关于批量文件夹结构 + 外部 SRT：

• 若使用的是 菜单 → 工具 → 批量创建文件夹结构 导入的已有字幕，且字幕语言与视频发音语言相同：软件将其视为发音语言字幕，跳过 ASR，直接进入翻译/配音阶段，不会执行 VAD 拆分合并。
• 若字幕语言与发音语言不同：仍会执行 ASR 生成发音语言字幕，你的外部字幕视为译文使用。
• 手动放置在 _video_out/{视频名-格式}/{lang}.srt 的方式同理，软件检测到后跳过 ASR 与（或）翻译，仅进入配音合成阶段。

关于不预处理时如何保证 TTS 参考片段长度足够：

• 若跳过 ASR/VAD，字幕的时间轴完全由你的外部 SRT 决定。克隆音色（clone）时，软件按每条字幕的起止时间从原视频切取对应音频作为参考音频。
• 必须自行在外部 SRT 中控制每条字幕的时长在 3–10 秒区间，且保证单条内为单一说话人、无长静音、无中断句子。否则会因参考音频过短或质量差导致克隆失败或音质劣化。
• 若参考音频不足，可改用 菜单 → TTS设置 → 设置参考音频 指定一段本地固定音频作为克隆音色（格式：文件名.wav#对应的说话文本，音频存放于软件目录 f5-tts/ 下，3–10 秒单声道 WAV），从而绕过对原片片段的依赖。
• 参考文档：原音色克隆与参考音频

请查阅相关文档：

• 最佳配置推荐
• 字幕语音画面对齐
• 导入本地已有的字幕或人声
• 单视频精修模式
• 原音色克隆/多角色配音
• 为什么翻译后会出现"空白字幕行"？