带背景音的语音转字幕：对比原始识别与校对结果

来源与方法

两份音频使用相同的原创英文文稿和 eSpeak NG 合成语音，其中一份按公开的音量配比加入可复现的音调。Whisper small 分别识别两份音频；原始字幕视频使用混音素材。

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

Welcome to Field Notes.
Today Maya explains how a short recording becomes a captioned video.
Check the name Audiosubvideo, the number twenty seven, and the pause between sentences.
Review the words before you export your clip.

纯语音的识别结果

Welcome to Field Notes.
Today my rec explains how a short
recording becomes a captioned
video.
Check the name of the sub -video,
the number 27,
and the pause between sentences.
Review the words before you export
your clip.

下载干净的音频 ↓ · 下载纯语音识别结果 ↓

原始识别结果

Welcome to Field Notes.
Today my rec explains how a short
recording becomes a captioned
video.
Check the name of the sub -video,
the number 27,
and the pause between sentences.
Renew the words before you export
your clip.

校对结果

Welcome to Field Notes.
Today Maya explains how a short recording becomes a captioned video.
Check the name Audiosubvideo, the number twenty seven, and the pause between sentences.
Review the words before you export your clip.

校对版本采用原始文稿，并均匀分配句子时间。它修正了文字，但不代表逐词时间准确。输出保留背景音；本流程不分离人声，也不降噪。

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

两次识别都误写了 Maya 和 Audiosubvideo。纯语音保留了 Review，混音则识别为 Renew；两次都将 twenty seven 写成 27。这一次合成素材对比不能代表整体准确率，也不能确定每处错误的所有原因。

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

3.98 s

渲染耗时

2.58 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。