模組四｜剪輯管線（Day 17–22）

這是這一章最貴的一次除錯，也是我留下的紀錄裡寫得最完整的一筆。

那份剪輯記錄的小節標題直接寫著：

⚠️ 時間軸不同步（重要陷阱，日後同類錄音集數通用）

而同樣的診斷被複製進了剪輯腳本的檔頭註解，因為我知道自己會忘記。

現象

線上多軌錄音會產生兩份東西：一份是經過降噪處理的音訊軌，一份是備份用的影音檔。

它們錄的是同一段對話，理論上應該完全同步。

實際上不是。

我拿降噪軌的某個聲音去對備份軌，量到的偏移是 +3.0 秒。

然後拿節目後段的另一個聲音去對，量到 +1.75 秒。

偏移量自己在變。

為什麼常數平移一定會失敗

如果偏移是固定的 3 秒，事情很簡單：整條軌平移 3 秒就好。

而它從 3.0 漂到 1.75，這代表什麼？

兩台時鐘的速率不一樣。錄音過程中，一邊比另一邊跑得快一點點，於是差距隨時間累積或縮小。

就像兩支手錶，一支每小時快半秒：剛對時分毫不差，走一整天就差十幾秒。

那用線性映射呢？既然它是隨時間變的，找兩個點解出一條 a·t + b，不就好了？

也不行。記錄裡把它標成：

非線性漂移＋跳點

「跳點」的意思是備份軌裡有多處小型插補：某些位置被塞了或吃掉了幾個 sample（取樣點——數位音訊會把聲音切成每秒幾萬個小格子，一格就是一個 sample）。

如果說速率差是一支手錶走得快一點，跳點就是有人趁你不注意把指針撥了一下。

一旦有跳點，就不存在一條連續的映射曲線。任何 a·t + b 在某些區段會很準、在另一些區段誤差達數百毫秒。

而數百毫秒，剛好就是一個字的長度。

這就是那句記錄的意思：

整體平移／線性 time-map 都會切到句中。

time-map（時間映射表）就是上面說的線性映射：一張把「備份軌的第幾秒」換算成「降噪軌的第幾秒」的對照公式。

而且還有第三層：段內還會再位移 ±0.3 到 0.45 秒。即使你把某一段的頭對準了，那一段結尾還是會偏。

怎麼譔譆的

第二版剪輯（v2）做了一個「雙錨點修正」：每一段取頭尾各 8 秒，各自對齊一次。

如果偏移是常數，頭尾算出來的 offset（偏移量——要把一條軌往前或往後推幾秒，才會跟另一條對上）應該一樣。

結果：26 段有段內位移。

這一步沒有修好任何東西，它的價值是證明了問題的形狀。在這之前我只知道「對不齊」，之後我知道「偏移量在段內都會變」。而這直接否決了所有全域解法。

先確定問題的形狀，再選演算法。這聽起來像廢話，而我是在猜了兩個版本之後才做這件事的。

解法：放棄全域，解 N 個獨立常數

最終的做法寫成虛擬碼是這樣——它不是可執行的程式，只是把「每一個剪點各自要做哪三件事」列出來：

對每一個剪點：
  1. 從備份軌的該位置取 8–10 秒的音訊當錨
  2. 在降噪軌的對應鄰域做 FFT 互相關
  3. 取相關性最高的位移量 = 這個剪點專屬的 offset

每個剪點有自己的 offset。不求曲線、不求規律，就是解 N 個獨立的常數。

這個做法承認了一件事：這兩條軌之間的關係無法用一個簡潔的函數表達。與其硬套一個模型，不如在每個真正需要的位置各量一次。

互相關（cross-correlation）——把一段 8 秒的波形在另一條軌上滑動，算每個位置的相似度，最像的那個位置就是對齊點。前面那個 FFT（Fast Fourier Transform，快速傅立葉轉換）只是讓這種滑動比對算得快，不改變答案。

它為什麼有效：比對的是波形的形狀，跟內容無關。這不需要理解那段音訊是什麼，只需要兩條軌錄的是同一個聲音。

這是一個純訊號處理的解法，完全不涉及語意。對照 Day 18 那個「用音訊訊號回答有沒有聲音，用 ASR 回答說了什麼」，同一個分工原則。

附帶的一條規則寫在記錄裡：

剪點越少越安全。

因為每個剪點都是一次獨立的對齊，每一次都有失敗的機會。減少剪點就是減少風險。而這條規則後來影響了 Day 22 那個「從細剪改成大段保留」的決定。

同一族問題的另外三個版本

這個坑不只出現一次。整理下來，同一族的問題有四個變體：

表裡那幾個縮寫先解釋一下。SRT 是最常見的字幕檔格式，一行時間碼配一行字幕。word-level 時間戳是讓語音辨識輸出「每個字各自的開始與結束時間」，而不是整句共用一組時間。RMS 包絡（root mean square，均方根）則是把音量隨時間的起伏畫成一條線——用這條線找「這句講完了」的停頓，比看字幕的時間碼準得多。

第二個變體值得看：它就是「常數平移」的做法，而且平移了三次還在修（1.503991 秒 → 累計 3.004 秒 → 3504ms，即 3.504 秒）。

那正是今天這個診斷後來否決掉的做法。同一個問題，一集在猜，一集在解。而先發生的是猜的那次。

怎麼證明「沒有漂移」

記錄裡還有一段方法論，我覺得比解法本身更有價值：

某支成品與其字幕零偏移。驗證方式：音量包絡顯示語音在 3215.00 秒戛然而止，與字幕最後一句的結束時間 3215.000 完全對齊，其後 32 秒為片尾音樂。
同一份音源，無漂移。

這是在主動證明一個否定命題：「這裡沒有問題」。

而它的方法很聰明：找一個訊號上有明確邊界的點（語音突然停止），量它，然後跟另一份資料的對應數字比。對得上，就證明了這兩份東西同源且未漂移。

從這裡可以提煉出一條通則：

偏移只發生在跨來源。不同的錄音軌、不同的轉檔管線、模型產生的時間碼，這三者之間會漂。而同一份音源，全程零偏移。

這條規則的實用價值很高：當你遇到對不齊的問題，先問「這兩份東西是不是同源」。同源還對不齊，先懷疑自己的計算，資料本身不會漂；不同源，那就別找一條曲線，去每個需要的位置各量一次。

代價

這個解法慢。

每個剪點要跑一次 FFT 互相關，取 8 到 10 秒的窗口。剪點多的時候，光是對齊就要跑好一陣子。

而它的替代方案（常數平移）快得多，只是會切到句子中間。

第二個代價：它只解決了「這一種錄音來源」的問題。那份記錄的標題寫「日後同類錄音集數通用」，重點在「同類」兩個字。換一套錄音工具，漂移的形狀可能完全不同，前面的診斷全部要重來。

而我沒有把這個診斷流程寫成腳本。它現在是一段寫在記錄裡的敘述加上一支特定集數的程式碼。下次遇到，我要重讀那份記錄，然後手動複製那段程式碼。

第三個，最誠實的一個：這件事花掉的時間，遠遠超過那一集本身的價值。

如果當初直接接受「剪點少一點、每個剪點手動微調」，可能兩小時就結束了。而我花了兩個版本加一整套診斷。

我不後悔，因為那個診斷後來變成通用知識。但如果只做那一集，它不划算。

帶走什麼

先量出問題的形狀，再選演算法。

我猜了兩個版本（常數平移、線性映射）才停下來做雙錨點量測。而那次量測（26 段有段內位移）直接否決了所有全域解法。如果一開始就做，會省掉兩個版本。

具體怎麼做：在兩個以上的位置各量一次同一個量。如果值一樣，它是常數；如果線性變化，用線性模型；如果既不一樣也不線性，別找曲線了，去每個需要的位置各量一次。

第二條：當關係無法用簡潔函數表達的時候，不要硬套模型。

解 N 個獨立常數看起來很笨，但它是對的。用一個錯的模型去逼近，會在你沒檢查的那些區段安靜地錯掉。而那些區段正好是你最不會去聽的地方。

第三條，很實用：

偏移只發生在跨來源。同一份音源、同一個管線出來的東西不會漂。所以遇到對不齊，第一件事是確認來源。如果同源還對不齊，那是你的計算錯了，不是資料漂了。

明天講剪輯的另一半：那些沒有客觀標準、只能靠試聽收斂的東西。