长录音转写：先正确切分，而不是碰运气

90 分钟的讲座、一整天的会议、一段长篇访谈：只要你经常做转写，这类录音就很常见。把它整段交给模型处理看起来很方便，但如果第 80 分钟出错，整个文件都得重来；文字稿也可能变成一大堆读不下去的文字；或者你的额度已经用完。先切分反而更快，即使出了错，损失也只是几分钟，而不是两个小时。

什么时候值得切分？

并不是每个长文件都需要切开。三个问题可以帮你判断：文件是否符合服务的限制，整段录音中的说话人标签是否需要保持一致，以及重新处理一次要付出多大代价。在 Sprechverlauf 上，免费试用支持最长 10 分钟的文件；一份付费方案一次最多可处理 4 小时，而长录音本身也会在内部切成 30 分钟的段落。如果你想把各段分别归档，或者只想单独重做其中一段，那么自己切分仍然有用。

唯一的规则：绝不在句子中间切开

语音识别依靠上下文工作。把一句话从中间切开，两部分都会丢失信息：前一段戛然而止，后一段开头找不到依据。专业术语和专有名词受影响最大，而这正是模型最依赖前后词语的地方。应该在停顿处切开，最好选在话题本来就要转换的位置。

• 在议程条目、幻灯片或提问环节之间切开
• 保留两到三秒的重叠，确保切口处没有字词消失
• 开场问候、音频检查和结束告别全部删去
• 事先删除纯音乐、掌声和布置场地的片段
• 按顺序命名各段：“lecture-01”、“lecture-02”，而不是“新文件”和“新文件-终版”

用 ffmpeg 切分：两条命令就够了

ffmpeg 免费，适用于各种系统，除非你明确要求，否则它不会重新编码你的音频。下面这条命令会把文件切成 25 分钟一段（1500 秒），并保持音频不变：

• ffmpeg -i lecture.m4a -f segment -segment_time 1500 -c copy part_%02d.m4a
• ffmpeg -i lecture.wav -ac 1 -b:a 64k lecture.mp3（拆分前可以大幅缩小语音录音的体积）
• ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a（截取其中一个特定片段）

单声道、64 kbit/s 听起来很极端，但对语音而言并无大碍：模型既不需要立体声的声场，也不需要音乐级的分辨率。一小时的讲话大约只有 30 MB 左右，轻松装得下。保留原始文件，用较小的副本进行处理——切分时始终切副本，而不是母版。

不使用命令行的切分方法

如果你不想打开终端，Audacity 同样可以完成：打开文件，选中一段范围，然后点击“文件 → 导出 → 导出所选音频”。在这一点上，波形视图比命令行更有优势：停顿在波形上表现为狭窄的区段，你能直接看到切口的位置，而不必去猜。在手机上，系统自带的语音备忘录应用也能完成同样的工作，只是精确度稍差。

切分之后：时间戳从零开始重新计算

每份文字稿都从其自身文件的开头开始计时。因此，讲座的第二部分会重新从 00:00 开始，尽管它实际上是从第 25 分钟开始的。合并各部分时，必须把每个时间戳都加上该部分的起始偏移量，否则所有引用的位置都会指向错误的地方。对于 SRT 和 VTT 文件，大多数字幕编辑器都在名为“shift”或“offset times”的功能下提供这项操作。

• 在离开原始文件之前，先记下每一部分的起始偏移量
• 合并文本导出时，为每个部分添加一个小标题
• 引用时注明部分编号和时间，例如“第 2 部分，07:41”
• 只有在时间偏移完成后，才能合并字幕

说话人标签无法跨部分延续

说话人检测只分析每个文件本身。第一部分中的“说话人 1”和第二部分中的“说话人 1”不一定是同一个人，因为两次处理彼此互不知情。这是方法本身的特性，而不是程序错误。实际操作中：听一下每个部分开头的几秒钟，在合并各段之前，把通用标签替换成真实姓名。

如果说话人归属的一致性比什么都重要（比如听证会，或者有六位参与者的小组讨论），那么有充分理由不切分，而是明确设置说话人数量，接受额外的处理时间。

一套可行的操作顺序

• 归档原始文件，并创建一份单声道 MP3 工作副本
• 快速浏览一遍录音，在停顿处标出切分点
• 切分为 20 至 30 分钟的段落，并按顺序编号
• 逐段转写，先设置语言和关键术语
• 按段落把说话人标签替换为真实姓名
• 按起始偏移量平移时间戳，然后合并文本
• 对照音频，抽查数字、姓名和引文