参数调优 约 6 分钟
自动字幕的准确率：影响因素与提升技巧
自动字幕的准确率不是固定值：同一段语音，处理得当可达可用级别，处理不当则错字连篇。识别引擎是同一个 Whisper，差距全在输入音频的质量与参数选择。
什么在影响准确率
| 因素 | 影响程度 | 可控性 |
|---|---|---|
| 背景噪声 / 配乐 | 高：BGM 盖过人声时识别率骤降 | 用原声干净的音源 |
| 说话人数量 | 高：多人混说、插话会串词 | 访谈类内容效果差 |
| 口音与方言 | 中高：粤语等方言错误率高 | 普通话与标准英语最稳 |
| 专业术语 | 中：通用模型不认识行话 | 后期批量替换 |
| 语速 | 低：每分钟 300 字内稳定 | 过快语速适当降速再识别 |
五个提升要点
- 指定语言而不是自动检测：明确选择中文或英文，避免模型在语言判断上浪费容量，稳定性明显提升
- 用原始音源：视频通话录音、平台二压过的音频已经丢过高频信息，识别率低于原始录音
- 单扬声器内容优先：播客、网课、旁白是最适合的场景；综艺、会议多方通话需要人工校对兜底
- 长视频分段处理：30 分钟以上的内容按时长分段转录，便于定位校对，也避免单次任务过长
- 专有名词备查：品牌名、人名、术语准备好替换表，转录后统一批量修正
本地转录的工作方式
转录在浏览器本地完成：视频提取 16kHz 单声道音轨后，Whisper 模型（Base 量化版，约 78MB）在本地推理，音频不出设备——这是与云端转录服务的本质区别，涉及隐私内容（会议、访谈）时尤其重要。
Base 模型的定位是速度与准确率的平衡：清晰语音的准确率足以覆盖字幕初稿，方言与嘈杂环境的识别需要更大型号——那超出浏览器本地推理的算力预算，应交给桌面端工具。
校对策略
转录产物是带时间轴的 SRT/VTT：错误的词在正确的位置，校对时按句检查，比从头听写快一个数量级。
只要纯文本（纪要、文稿）时走视频转文字：同样的识别引擎，输出连续文本而非字幕轨，省去后期去时间轴的步骤。