做字幕或视频处理的开发者，用AI断句和纠错能大幅提升效率，中文断句的坑和解决方案都讲清楚了，值得实操参考。
博主dotey分享了利用AI或Agent制作字幕SRT的经验，强调断句和拼写纠错是关键。英文断句简单，通过标点即可切分；中文断句更复杂，因为Whisper生成的中文语音没有标点，且“word”是多个汉字。需要借助大模型断句加标点，再重新对齐时间戳拆分。对于长访谈，需分块处理，避免切分在句子中间。推荐Mac用户使用WhisperKit，支持单词级时间戳和说话人识别。
要做好字幕 SRT，断句最重要，其次是纠正拼写错误。这些可以借助 AI 或者 Agent 来做了。 不过前提是先生成单词级别的时间戳，这样才能在组合后拼回去，现在主流语音识别模型都支持输出 json...
要做好字幕 SRT，断句最重要，其次是纠正拼写错误。这些可以借助 AI 或者 Agent 来做了。 不过前提是先生成单词级别的时间戳，这样才能在组合后拼回去，现在主流语音识别模型都支持输出 json 格式，每个单词都标注清楚start和end的timestamp。 英文断句很简单，只要找标点符号就可以切分成长度合适的。 但中文断句要难一些，中文语音用whisper生成，吐出来的是一大坨没有标点的，并且它的“word”不是一个汉字，而是几个汉字。 所以需要借助大模型去断句加标点，然后再重新对齐时间戳再拆分，就需要用一些比较复杂的代码算法辅助。当然理论上来说 Agent 也能帮你做，就是费 Token 些。 还有一个坑就是几个小时的访谈，大模型是没办法一次性处理的，需要分块，但是分块还要注意不能切分在一句话中间。 最后不一定要用 Whisper API，现在电脑跑 Whisper 模型还是足够。 如果是 Mac，推荐用 WhisperKit，支持word level timestamp，以及识别 speaker github.com/argmaxinc/argm… 💬 23 🔄 20 ❤️ 121 👀 107036 📊 63 ⚡