模組四｜剪輯管線（Day 17–22）

昨天講 ASR 的參數，留了一個伏筆：condition_on_previous_text=False 壓下了模型的幻聽，但沒有消滅它。

今天講那次事故。

事故

某一集的剪輯，v1 版本砍掉了 6.9 分鐘。

砍的依據是逐字稿：那一段的辨識結果在狂跳針，同一句話重複了很多次，看起來像是一段沒有內容的空白。

於是那段被判定為「無內容」，切掉。

v2 重新檢查之後，只砍了 98.2 秒，其中 61.7 秒是真的靜音。

找回了約 5 分鐘的真內容。 成品從約 47 分鐘變成約 51 分鐘。

那五分鐘裡有什麼

有講話。

那段音訊的實際狀況是：音量偏低的語音，疊在微弱的背景音樂上。 對 ASR 來說信噪比很差。

而它沒有輸出「辨識不出來」，它輸出了前面那句話的重複。

這正是昨天那個參數想防的行為：模型把自己的輸出當成上下文，在一段辨識困難的區間，它繼續生成「應該會出現」的東西。

我關掉了那個參數，所以最嚴重的無限重複沒有發生。但在信噪比很差的區間，它還是產生了不對應任何真實語音的文字。

錯誤真正的位置

事故的成因不是 ASR 出錯。ASR 在那種音訊條件下辨識不好，這是預期內的。

錯的是我把它的輸出拿來回答一個它答不了的問題。

我用逐字稿判斷「這一段有沒有內容」。

而 ASR 的能力是「這句話說了什麼」。這兩件事看起來很像，實際上不是同一件事：當它辨識不出來的時候，它不會回報空白，它會回報一段它猜的文字。

於是「跳針」被我讀成「沒有實質內容」，而它實際上是「模型在這裡失去了訊號」。

**跳針不是空白的信號，是失敗的信號。**而我把它當成前者。

修正的方法：換一個訊號源

v2 的做法不是換模型、不是調參數，是換一個東西來回答那個問題：

「這裡有沒有聲音？」  → 用音訊訊號回答（silencedetect / RMS 包絡）
「這裡說了什麼？」    → 用 ASR 回答

兩個問題，兩個工具。而它們有明確的分工：

• silencedetect 直接量音量，它不知道那是人聲還是音樂還是雜訊，但它不會憑空生出聲音
• ASR 知道那是什麼字，但它在沒訊號的時候會編

用音訊訊號決定「哪裡可以切」，用 ASR 決定「切在哪個字之間」。

SRT 本身也不能直接用

修完這個之後，我又發現三個獨立的問題，全部都是「逐字稿的時間碼不能直接當剪點」。

問題一：時間碼被量化成整 2 秒。

某一集的 SRT，所有時間碼都落在偶數秒上。實測：SRT 標某個聲音在 10.3 秒，音檔裡它實際在 12.80 秒。

差 2.5 秒。切下去會切在句子中間。

問題二：系統性早於語音約 0.7 秒。

另一集的 SRT 在 1 秒網格上，而且不是隨機誤差，每一句都早了大約 0.7 秒。

這種系統性偏移最陰險，因為它看起來很一致，讓人以為時間碼是準的。

問題三：跨軌的時鐘漂移。

這個明天整篇講，它比前兩個嚴重得多。

修法：不要相信整數

短影片的出點修法是這一段最實用的部分：

1. 拿 SRT 標的句尾時間，當作「大概在這附近」
2. 在那個位置前後找一段窗口
3. 用 50ms 的 RMS 包絡找出語音結束後的停頓
4. 取那個停頓的「中點」當出點

第 4 步是關鍵。取停頓的中點，而不是停頓的開始或結束。

取開始，會在字音的殘響還沒衰減完就切，聽起來像被掐斷；取結束，會切到下一句的起音。取中點，兩邊都有餘裕。

而這個修正值可以精確到小數點後兩位，因為它是量出來的，不是算出來的。

Day 24 會講一個一模一樣的道理，只是在圖片上：量測比計算可靠。

這一段裡，AI 錯了一次，而它是被授權的

Day 22 我會說「AI 在剪輯這一章幾乎沒有判斷權」。今天這件事是那句話的例外。

它唯一一次被授權判斷「內容存不存在」，而它錯了。

而且錯的方式很典型：它沒有拒答，它給了一個看起來合理的答案。跳針的逐字稿讀起來就像「這裡在講廢話」，而不是「這裡我不知道」。

模型不會告訴你它在猜。 這是把模型輸出接進自動判斷時最該記住的一件事：它的輸出格式在確定跟不確定的時候一模一樣。

那五道閘門一條都沒有攔到這件事，因為剪輯是可逆的（重跑就好）。可逆確實限制了損害，我確實重剪了。但可逆不代表無害，只代表可以修。 而如果我沒有重聽那一段，那五分鐘就永遠不見了。

代價

這個修法讓剪輯變慢了。

現在每個剪點要跑 RMS 包絡分析，而不是直接讀 SRT 的數字。多了一步計算，多了一些程式碼。

而它的收益是不出事，這種收益永遠看起來不划算，直到出事那次。

第二個代價：我沒有做「跳針偵測」。

那次事故之後，正確的做法應該是加一個檢查：當逐字稿裡出現連續重複的句子，標記那一段為「ASR 可能失效」，要求人工確認。這是一個很好寫的規則（連續 N 句相同即標記），而我沒寫。

所以同樣的事情如果再發生一次，我還是只能靠重聽發現。

帶走什麼

不要用一個模型的輸出，去回答它能力範圍外的問題。

ASR 擅長「這句話是什麼」，不擅長「這裡有沒有話」。這兩個問題聽起來很近，而在辨識失敗的區間，它們的答案會分岔，因為模型失敗的時候不會回報失敗，它會回報一個猜測。

判斷方法：對每一個「我拿模型輸出來做決定」的地方，問一句——如果模型在這裡完全失效，它的輸出會長什麼樣？

如果答案是「空的」，那還好處理。如果答案是「看起來正常但內容是編的」，那你就需要第二個訊號源。

第二條，很具體、可以直接抄：

「有沒有」用訊號量，「是什麼」用模型判。

聲音的有無用音量偵測，內容用 ASR；檔案的存在用 stat，內容用解析器；服務的存活用 health check，行為正確性用測試。這兩類問題永遠應該用不同的工具回答。

第三條：量測比計算可靠。 SRT 的時間碼是模型算出來的，音量包絡是量出來的。前者會有系統性偏移，後者不會。

明天講整條組裝鏈的參數，以及一個從頭到尾零漂移的數字。