智能感知 · 组件
长音频转写、重叠对齐与说话人拼接
可用 合成数据 T1 · 波形与时间轴
功能
将长音频切分为有界的转写任务，处理切分接缝，并拼接带时间戳的片段与用量记录。一个变体使用队列和字节范围切分；另一个使用 FFmpeg 和并行请求。说话人拼接是启发式的，效果随来源而异。
核心模式
长录音切分转写＋接缝对齐和时间定位
- 输入
- Publisher audio URL and episode metadata
- 输出
- Transcript, speaker map, segments and spend/job records
关键参数
| 名称 | 类型 | 默认值 | 取值 |
|---|---|---|---|
| audio_url | string | — | — |
| language | string? | — | — |
| chunk_seconds | number | 460 | 10–480 |
| overlap_seconds | number | 20 | 0–60 |
| stitch_speakers | boolean | true | — |
成熟度与限制
可用
工作进程包含实际语音服务调用、重试、恢复和拼接；旧转写流水线中的服务实现仍为占位。此等级依据静态源码检查，不代表运行测试、真实服务接入或生产部署已通过验证。
未发现根目录复用许可证；第三方内容、标识和个人资料须取得使用权，外部服务须配置凭据。重叠对齐与说话人映射采用启发式方法，不等于生物特征身份验证。出版方的分段请求行为可能不同；字节范围提取要求兼容的 MP3 或未加密 AAC-in-MP4 布局。各变体单独记录依赖与限制，不代表同一已部署系统。
