醒非说

例子 7:自己写歌词文件,你也可以的

2026-11-14

我要一段音频的严格时间线。这件事我一行代码没写——我负责说清方向,AI 负责实现。

我想给一段音频配文字稿,按句子切,每句有开始和结束时间。播放器跟着走,读到哪个词就亮哪个词。

这件事我做完了,二十章英文有声书,一共 222 分钟。过程里我没有装过环境,没有调过参数,也没搞懂它内部怎么跑。

我做的事只有一件:把方向说清楚,然后判断结果对不对。

下面是我需要懂的全部东西。都很浅。

一、第一件事:我要什么

这是最要紧的一句,比后面所有技术都重要:

按句子切,每句的起止时间要和说话严格对齐。

听起来像废话。但我后来发现,这句话里藏了三个条件——按句、有起止时间、严格对齐。任何一个含糊,出来的东西就不能用。

所以第一步不是找工具,是把自己的要求说到没有歧义。这件事 AI 替不了我。

二、第二件事:我知道有「词级时间」这回事

这是我唯一算得上技术性的认知,而且只需要知道它存在:

语音识别除了给你一段文字,还能给你每个词的开始、结束、有多确定。

知道这一点,你就知道「严格对齐」是能做到的——因为时间可以精确到词,句子只是词的集合。

至于怎么取、拿什么工具、参数怎么设,我完全没管。

后来它跑完,给我看结果:222 分钟的音频,切了三千多段,认出了三万九千多个词,每个词都带着自己的起止时间和一个置信度。

我看得懂这个结构,这就够了。

三、第三件事:它自带的断句不能信

这一条不是技术,是判断。

我听成品的时候,发现一句被切在两半。原话是 under his nose,它切在 under 后面。

这不像「识别错了」,因为两个字都认对了,只是断的位置荒唐。

于是我说了一句:你数一下,这种「没有任何停顿却断开」的地方有多少。

它数出来:三千多个断点里,四成是这么断的;四成里又有八成多,上一句连句末标点都没有,就是切在意群中间。

我不需要知道它为什么这么切。我只需要知道:不能信它切的句子,得自己定。

四、第四件事:不满意的时候,我只说哪里不对

这一段是我觉得最值钱的。整个过程里,我没有一次说「你应该怎么改」。我说的都是「结果哪里不对」。

我说              它做的
────────────────────────────────────────────────
短句的时间被推后了    发现自己在用「这一句所有词的中位数」,改成取第一个词的起点
这句切在意群中间      改成用整本书的顺序去对齐,不再一句一句单独搜
好几个句子挤在同一秒   同上——中位数天然偏向句子中部
这里有两个词它没说    加了置信度和时长的判据,清掉 62 个凭空补出来的词

判断对错是我的事,找到办法是它的事。

这句话我一开始也不信。但你只要把「哪里不对」说准,它自己会去找原因——而且找得比我翻文档快得多。

五、装环境、显卡这些,我基本没管

我用的是本机识别,不联网、不调接口。要装什么、显卡能不能用、跑多快——我的要求只有一句:能跑,别太慢。

它自己去挑了模型档位,自己处理了显卡库找不到的问题,还自己留了没有显卡时的备用方案。最后告诉我:有显卡时,90 秒音频 14.6 秒跑完,大约 6 倍实时。

我只多问了一句:没显卡能不能跑?——因为我想知道这套东西能不能给别人用。

这类事,AI 懂的比我多。我不动。

六、成品长这样

歌词文件就是纯文本,一行一句:

[00:01:18.40,00:01:22.14]这一句第一个词到最后一个词之间
[00:01:22.90,00:01:26.02]下一句

方括号里是起止时间,格式「时:分:秒.两位小数」。

有些播放器要求塞进单个文件,那就再加一层壳:

[4 字节写着音频有多长] + [音频本体] + [歌词文本]

壳是给播放器用的,拆开还是音频加文本。

七、所以你需要的,三样

1  把自己的要求说到没有歧义        「按句切,起止时间严格对齐」
2  知道方向上有哪几种可能          词级时间存在、断句可以自己定、时间可以从词里取
3  能判断结果对不对                句子被推后了、几句挤在一秒、出现没说过的话

三样都不是技术。第一样是表达,第二样是听人说过一次,第三样是眼睛。

收尾

这套东西做完,我最大的感受不是「我会做歌词文件了」,是分工清楚了:

AI 实现,你判断方向。

方向错了,它做得越快越糟——它会把三千多个断点切得又快又整齐,全都切错地方。

方向对了,路它自己会找。你只要在它走偏的时候说一句「这里不对」。

所以那三样里,最要紧的还是第一样:说清楚你要什么。

前面的例子:例子 6 | 全部例子