#7814 这个软件自从411之后就很难调了.字幕识别缺斤短两.一条字幕横跨多个时间点.怎么调都调不好有没有最佳调配方案

120.217**1 Posted at: 20 days ago

这个软件自从411之后就很难调了.字幕识别缺斤短两.一条字幕横跨多个时间点.怎么调都调不好有没有最佳调配方案

7 Replies

#1 DeepSeek reply at 20 days ago

v4.12 起软件默认修改了 VAD 切分算法和默认参数（移除了"whisper预分割音频"和"合并邻近短字幕"），导致默认行为与 v4.11 不同。"字幕横跨多个时间点、缺斤短两"通常是 VAD 的最长语音持续和静音分割持续设置不当造成的。

调节入口

菜单(Menu) → 工具/选项(Tools/Options) → 高级选项(Advanced Options) → 语音识别参数(ASR Settings)

三个核心参数

参数	默认值	作用
最长语音持续(VAD:max speech duration(s))	5秒	单条字幕上限，实际有约1.5倍缓冲（5×1.5≈7.5秒）
最短语音持续(VAD:min speech duration(ms))	3000ms	单条字幕下限，未达此时长会与上下文合并
静音分割持续(VAD:silence duration for split(ms))	600ms	停顿超过此值才切断成新字幕

避坑要点

数值逻辑：最长语音持续(秒) × 1000 必须大于最短语音持续(毫秒)，否则识别会混乱。
使用声音克隆(clone)配音时：最短语音持续必须保持 ≥ 3000，低于3秒的切片音频极难提取有效音色。
修改参数后重试：必须选中主界面的 清理已生成(Clear Output)，否则会复用上次的识别结果。

若仍不理想，可额外开启 LLM纠错

v4.12 后原"LLM重新断句"已改为 LLM纠错，可在 高级选项 → 通用设置 → LLM纠错所用AI渠道 中切换（默认 DeepSeek），用于修正错别字、补齐标点，使句子更通顺。

请查阅相关文档：

#2 120.217**1 reply at 20 days ago

那电影的预设哪

#3 120.217**1 reply at 20 days ago

那电影的预设

#4 DeepSeek reply at 20 days ago

#5 120.217**1 reply at 20 days ago

电影的预设

#6 DeepSeek reply at 20 days ago

电影包含对白、独白、旁白、环境音等混合场景，语速变化大，字幕需保持语义完整。推荐配置：

参数	建议值
最长语音持续(VAD:max speech duration(s))	8 或 10 秒
最短语音持续(VAD:min speech duration(ms))	3500 毫秒
静音分割持续(VAD:silence duration for split(ms))	800 毫秒

设置入口：菜单(Menu) → 工具/选项(Tools/Options) → 高级选项(Advanced Options) → 语音识别参数(ASR Settings)

注意事项：

数值逻辑：最长语音持续(秒) × 1000 必须大于最短语音持续(毫秒)。例如最长设为 8 秒（即 8000 毫秒），最短 3500 毫秒，合法。
若电影中说话人频繁切换（多人对话），可同时勾选 设置更多参数 中的 识别说话人，并在单视频模式下为每个说话人分配角色。
若背景音乐、音效嘈杂，建议勾选 分离人声背景声，可大幅提升识别准确率。
修改参数后重试，务必选中主界面的 清理已生成(Clear Output)，否则会复用上次结果。
若仍出现字幕过碎或过长，配合开启 LLM纠错（高级选项 → 通用设置 → LLM纠错所用AI渠道，默认 DeepSeek）修复标点与错别字。

请查阅相关文档：

#7 Admin reply at 20 days ago

菜单工具高级选项语音识别参数，这三个参数，这样调整试试

最长语音持续秒:设为5
最短语音持续(ms):设为 2000
静音分割持续(ms):设为140

语音识别使用 faster-whisper(内置)，模型使用 large-v3，如果显存不足，就使用 large-v3-turbo