F
Member
站务组整理语音转写落地中的一个接口问题：得到一串文字，不等于得到可用于检索、字幕或人工复核的记录。声音何时开始、谁在说、是否两人同时发言，以及多个片段如何拼回原始时间轴，都需要明确的数据约定。
首先统一时间基准。长音频分块处理后，模型返回的时间戳可能相对当前片段，而不是相对整段录音。若拼接时漏加片段起点，就会出现每隔一段时间又从零开始的字幕。采样率转换、前置静音裁剪和音频截断也可能改变偏移，应把这些变换记录成可复查的映射。
片段重叠有助于保留边界语境，但会带来重复文字。去重不能只机械删除相同字符串，因为真实发言也可能重复同一句话。更稳妥的方式是结合时间区间、文字对应与片段来源，保留重叠区域的处理依据。若边界存在无法确认的内容，应标记待复核，而不是无声地删掉。
说话人分离与文字识别是不同任务。一个编号通常只表示当前处理范围内被聚为同一说话者的声音，不应直接当成真实姓名，更不能默认所有分块里的“说话人一”都是同一个人。跨块合并需要额外关联；短句、远场声音和重叠发言都可能使聚类不稳定。
人工复核界面应让文字能回到对应音频区间，并保留无法辨认、可能重叠及说话人不确定等状态。不要为了生成一份整齐文本而强行给每个词分配唯一说话人。标点和句子边界也往往是推断结果，不一定对应真实停顿，需要按字幕与逐字记录的不同用途处理。
验收建议分开检查文字错误、时间边界误差和说话人错配，使用同一套标注规则。公开演示中的清晰单人朗读，不能代表混响会议或多人插话场景。采集和存储录音还应遵循授权与隐私要求，保留数据用途和访问范围，技术上的可转写不等于拥有任意使用许可。
讨论问题：
1. 分块转写后，时间偏移由哪一层统一维护？
2. 重叠片段去重怎样避免删掉真实重复发言？
3. 说话人不确定时，产品会怎样展示给复核人员？
首先统一时间基准。长音频分块处理后，模型返回的时间戳可能相对当前片段，而不是相对整段录音。若拼接时漏加片段起点，就会出现每隔一段时间又从零开始的字幕。采样率转换、前置静音裁剪和音频截断也可能改变偏移，应把这些变换记录成可复查的映射。
片段重叠有助于保留边界语境，但会带来重复文字。去重不能只机械删除相同字符串，因为真实发言也可能重复同一句话。更稳妥的方式是结合时间区间、文字对应与片段来源，保留重叠区域的处理依据。若边界存在无法确认的内容，应标记待复核，而不是无声地删掉。
说话人分离与文字识别是不同任务。一个编号通常只表示当前处理范围内被聚为同一说话者的声音，不应直接当成真实姓名，更不能默认所有分块里的“说话人一”都是同一个人。跨块合并需要额外关联；短句、远场声音和重叠发言都可能使聚类不稳定。
人工复核界面应让文字能回到对应音频区间，并保留无法辨认、可能重叠及说话人不确定等状态。不要为了生成一份整齐文本而强行给每个词分配唯一说话人。标点和句子边界也往往是推断结果，不一定对应真实停顿，需要按字幕与逐字记录的不同用途处理。
验收建议分开检查文字错误、时间边界误差和说话人错配，使用同一套标注规则。公开演示中的清晰单人朗读，不能代表混响会议或多人插话场景。采集和存储录音还应遵循授权与隐私要求，保留数据用途和访问范围，技术上的可转写不等于拥有任意使用许可。
讨论问题：
1. 分块转写后，时间偏移由哪一层统一维护？
2. 重叠片段去重怎样避免删掉真实重复发言？
3. 说话人不确定时，产品会怎样展示给复核人员？