中文录音生成文字动画：先检查转写，再导出视频

来源与方法

我们用 eSpeak NG 将原创中文文稿合成为语音，再使用与网站相同的本地 Whisper small 识别器和视频渲染器处理。素材是合成语音，不是真人录音，也不是歌曲识别测试。

案例使用原创文稿、合成语音、自制音调和绘制的通知图片，不包含用户上传内容。切换界面语言时，源素材和识别文本保留原语言。

下载原始素材 ↓ · 下载设置 ↓ · 下载原始文稿 ↓

对比原文、识别结果和校对结果

原始文字

今天我们用一段中文录音制作文字动画。
先检查识别结果。
再调整字幕的出现时间。
最后下载视频，分享你的故事。

原始识别结果

今天我们用一般中文录音制作文
字动画,
先天查识别结果,
再调整字幕的出现时间,
最后下彩视频,
分享你的故事。

校对结果

今天我们用一段中文录音制作文字动画。
先检查识别结果。
再调整字幕的出现时间。
最后下载视频，分享你的故事。

校对版本恢复了原始文稿，并将各句均匀分配到音频时长内。这些时间仅为近似值，不是语音强制对齐。原始识别结果和校对后的导出文件均可下载，请结合音频比较。

下载使用原始字幕的视频 ↓ · 下载校对后的视频 ↓

发布前需要检查什么

本次识别将“一段”写成“一般”、“检查”写成“天查”、“下载”写成“下彩”。建议先对照录音修正文字，再调整句子的起止时间。这只是该合成语音样本的结果，不能代表中文语音整体错误率。

耗时与适用限制

耗时来自单次制作，不是服务速度承诺。音频案例在开发电脑上测量，图片 OCR 在 Linux 部署镜像中测量；不包含上传时间和共享队列的等待时间。

识别耗时

6.41 s

渲染耗时

2.16 s

处理引擎

faster-whisper small / CPU int8

本案例用于展示产品流程，不是准确率基准测试，也不是用户评价。