展开本页目录
开始前准备什么
- 下载本页素材，使用有权处理的声音，保留原始输入。
- 为对应工具建立独立 Python 环境，核对实际模型与版本。
- 先在小样中试听并保留失败记录，再处理长录音。
- 读取长录音实际时长
- 按固定边界切片并记录 offset
- 逐块识别与即时落盘
- 合并时加回绝对时间
- 回听每个切片边界前后
- 保存覆盖报告与机器稿
本任务输入、脚本、原始输出或明确待运行模板、原文、校验与损坏负例；不含模型权重。
macOS say 合成的本站原创任务输入；不是模型生成成功证明。
朗读输入与回听依据，独立于机器实际稿。
包含具体命令、步骤、来源与未运行范围。
保留原始文件；准确性需回听，脚本存在不代表模型已运行。
1. 读取长录音实际时长
素材约数十秒，用六段原创短句模拟分块流程，不能把它说成数小时会议已实测。下载 chunks.json，逐行查看 start/end 与原音覆盖范围。
2. 按固定边界切片并记录 offset
运行 chunks.py，用 15 秒小块演示。每个切片保存源 hash、chunk_id、offset 和 frames；本例无重叠，实际讲话跨边界时可调整到停顿位置，不能只机械切割后宣称无漏字。
3. 逐块识别与即时落盘
每块独立输出 JSON，读取生成器后才原子保存。执行 run.py 或 chunk-run.py，模型不需要每块重新下载；保留每块失败状态以便下一页续跑。
run-commands.sh
python chunks.py input.wav --seconds 15
python chunk-run.py chunks.json
python check.py4. 用 chunk offset 恢复绝对时间
每条绝对 start/end = 该块相对 start/end + chunk.offset。沿原录音顺序合并到 combined.srt，保留 chunk_id，出错时能回到对应切片。
先检查切片清单是否覆盖原音，再回听每个边界前后一秒。区间无缝不代表句子无漏词；机械切到单词中间时，只重切或重识别对应区间。
5. 回听每个切片边界前后
对每个边界前后一秒回听，标记半个单词、重复和空白。没有 overlap 的本例可能切断词，校验结构通过仍不证明文本完整；出现问题只重切对应区间。
6. 保存覆盖报告与机器稿
check.py 验证切片连续覆盖、不越界，机器稿 JSON/SRT 时间一致。保留 chunk 文件和合并记录，放大到真实长音频前先测试内存与处理时长。
7. 下载材料、检查负例与继续操作
解压素材包后先运行 python check.py，再运行 python check.py --self-test。前者读取真实 WAV / JSON / SRT 与源 hash；后者拒绝损坏 WAV、倒置时间、越界时间和缺失词时间。文件通过不代表文字、情绪或说话人判定已通过。
怎样确认已经完成
- 切片 offset 和源 hash 可追溯且覆盖完整。
- 合并稿按原音绝对时间排序。
- 每个切片边界已回听，结构通过不掩盖半词。
常见问题
这份练习证明能处理几小时会议吗？
没有。素材是数十秒的实际分块练习，检验时间偏移和输出结构；真实长音频还需测资源、速度和边界准确性。
重叠分块能直接拼接文字吗？
不能。重叠会重复时间和文字，需要按已知重叠区间回听并去重；本页先用无重叠清单演示绝对时间恢复。