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。
- 安装可执行的 FFmpeg，先运行 ffmpeg -version；WhisperX 的 load_audio 使用 FFmpeg CLI。
- 先核对逐字稿，不拿时间轴修错字
- 准备独立 WhisperX 环境
- 选择匹配原语种的对齐模型
- 给出真实片段范围再执行 align
- 检查没有时间的词与数字
- 下载对齐任务包并验证实际输出
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. 先核对逐字稿，不拿时间轴修错字
下载人工已知 expected.txt 和真实 faster-whisper 初稿 asr-reference.json。两者分别标注来源；WhisperX 强制对齐假定给定文字对应声音，它不能把错误逐字稿自动修正确。
2. 准备独立 WhisperX 环境
按官方仓库在单独环境安装 whisperx，先记录软件、torch 和模型版本。本机本次没有安装运行 WhisperX 对齐模型；截图展示原始音频和待运行参数，未伪装成成功输出。
3. 选择匹配原语种的对齐模型
英文练习用 load_align_model(language_code="en",device="cpu")；中文需对应 zh 模型和其资源条件。没有默认模型的语言应明确指定合适模型，不能把英文对齐器套到所有语言。
run-commands.sh
ffmpeg -version
python -m venv .venv-whisperx
.venv-whisperx/bin/pip install whisperx
.venv-whisperx/bin/python align.py
python check.py --result aligned.json4. 给出真实片段范围再执行 align
align.py 从 WAV 读取时长，把核对文字放在合法范围内并调用 whisperx.align。输出另存 aligned.json，不覆盖 ASR 初稿；保存原文字与来源。
5. 检查没有时间的词与数字
align 输出可能缺 start/end，例如词不在模型字典或对齐失败。本页检查脚本拒绝把缺失值当零秒，人工回听后在 review.csv 标出未对齐项。
6. 下载对齐任务包并验证实际输出
先用教材 expected-schema.json 了解结构，它是人工结构样例。用户完成模型运行后，将真正 aligned.json 传给 check.py --result，校验边界后再接字幕渲染。
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
- 逐字稿先回听，文字来源与 ASR 初稿区分。
- 对齐模型语言匹配，没有时间的词保留。
- 实际运行的 aligned.json 另存；教材不当作成功输出。
常见问题
强制对齐能把识别错误一起修好吗？
不能。它将给定文字对到声音；先修文本，再处理时间，错误文字会造成缺失或不可靠边界。
本站已经跑通 WhisperX 了吗？
本页本次只执行了输入与脚本结构校验，提供更前一步真实 faster-whisper 初稿；WhisperX 模型推理未执行，需要用户在独立环境运行。