05 说话模式：剪辑与字幕

1. 回答：剪口误、去"嗯啊"、收紧停顿能不能全自动？

能，全部全自动。 三件事的区别只在误剪风险：

所以设计成三档力度，让用户自己选风险：

所有档位都生成剪辑表，用户事后仍可以在网页编辑器里把任何一刀恢复回来（非破坏性剪辑）。编辑器是给用户自己用的可选功能，交付不依赖任何人工审核。

2. 转写

关键陷阱：语音识别模型会"自动美化"口语。 Whisper 一类模型经常把"嗯、呃"直接省略、把结巴合并掉，所以不能只靠转写文字找口头禅。解决办法（两者都要做）：

1. 引导逐字转写：Whisper 用带口头禅的 initial_prompt（例如 "Um, so, uh, I was like, you know..."），FunASR 关闭口语规整
2. "有声无字"检测：用语音活动检测（VAD）找出"明明有人声、但没有任何词覆盖"的片段，时长 150~800ms、能量低于前后语句的，标为疑似口头禅（kind=filler_gap）

自定义词表（人名、节目名、专业术语）：用户在作品设置（settings）里填，转写时作为热词/提示词，转写后再做一遍替换纠正。

3. 剪辑检测

3.1 大模型调用规格

• 输入：带编号和时间戳的句子列表，按 3~5 分钟切块，前后各重叠 30 秒
• 输出（JSON）：[{"kind": "retake", "remove": [12, 13], "keep": [14], "conf": 0.9, "reason": "第12-13句说错，第14句重说"}]
• 大模型只能引用句子/词的编号，不能自己编时间戳；时间由编号换算，防止幻觉
• 重叠区域两个块结论冲突时，取置信度高的
• keep_words（用户指定不删的词）在交给大模型之前就排除

3.2 安全护栏（全自动时强制执行）

4. 剪辑表（EDL）

{
  "source_media": "med_01J...",
  "duration": 3605.42,
  "level": "standard",
  "version": 3,
  "ops": [
    {"id": "o1", "kind": "pause",  "start": 12.48, "end": 13.91, "keep": 0.5, "conf": 1.0,  "by": "rule", "status": "accepted"},
    {"id": "o2", "kind": "filler", "start": 20.10, "end": 20.42, "text": "嗯", "conf": 0.95, "by": "rule", "status": "accepted"},
    {"id": "o3", "kind": "retake", "start": 95.20, "end": 101.75, "text": "我们刚才…不对，我重说", "conf": 0.9, "by": "llm", "status": "pending"},
    {"id": "o4", "kind": "manual", "start": 300.00, "end": 312.50, "by": "user", "status": "accepted"}
  ]
}

• pause 类用 keep 表示保留多少秒静音，实际删除 [start + keep/2, end - keep/2]
• status: pending / accepted / rejected
• 渲染时只处理 accepted，重叠的区间先合并

4.1 时间换算

edl.map_time(t_original) -> t_edited：原时间减去它之前所有已接受删除段的总长；落在删除段内的时间点映射到删除段起点。字幕、章节、show notes 的时间全部用这个函数换算，不对成品重新转写。

5. 渲染

性能目标：60 分钟音频渲染 ≤ 1 分钟；60 分钟 1080p 视频 ≤ 10 分钟（CPU 编码，-preset veryfast）。

5.1 交付前自检

渲染完自动检查以下项，任何一项异常 → 自动降一档力度重新渲染，并在交付说明里写明实际用的档位：

• 删除比例超过上限
• 每分钟剪点数 > 20（剪得太碎，听感会跳）
• 成品响度或真峰值不达标
• 成品时长 < 原时长的 60%

6. 字幕

6.1 切分规则

• 口头禅和被剪掉的内容不出现在字幕里（字幕由剪后的词序列生成）
• 中文样式默认句末不加句号、句中逗号换成空格（可在样式里关闭）
• 可选说话人前缀（例如 Amy：），用户在作品设置里填写名字

6.2 格式与样式

样式模板（ASS）：clean_white（白字黑描边）、boxed（半透明底框）、bold_center（竖屏短视频大字）。字体使用开源可商用字体（思源黑体 / Noto Sans CJK，OFL 许可），随镜像打包，不依赖系统字体。

6.3 双语字幕

• 大模型逐条翻译，输入输出条数严格 1:1（带编号的 JSON 数组），前后各带 5 条上下文
• 译文超长时让模型缩写，仍超长则该条允许 2 行
• 烧录时原文在上、译文在下（样式可调）
• 术语表（作品设置里的自定义词）一并传给模型

6.4 烧录

ffmpeg -i edited.mp4 -vf "ass=subs.ass:fontsdir=/fonts" -c:v libx264 -crf 20 -preset veryfast -c:a copy out.mp4

6.5 验收

7. 视频播客

8. 用户编辑器（前端，可选）

用户可以在交付后打开编辑器微调（恢复某一刀、手动加一刀、改错别字），保存后自动重新渲染。

音频在编辑器里使用代理文件（64kbps mp3），加载快；渲染时用原始无损文件。