用途:解决录屏、教程类视频字幕中专有名词被听错的问题(如把 Claude 听成 cloud),传统术语表难以覆盖;其思路是让视觉模型按时间戳读取屏幕上真实写着的文字来纠正。
主要能力:五个阶段串成一条命令——FunAudio-ASR 出带句级和词级毫秒时间戳的字幕;qwen3.7-max 标出可疑点,分 screen(需看画面)与 semantic(纯语义)两类;qwen3-vl-plus 对 screen 类抽帧读屏纠正并带画面证据,取不到证据则保留原文并标记待确认;按词级时间戳断长句(>24 字或 >6 秒);qwen-plus 去语气词与口吃。产出 corrected.srt、transcript.json、report.md 等。多语言部分可翻译为多语种字幕,并对中/英/日/韩用克隆原声配音,输出配音轨与结构化字幕。
用法:纠错运行 python3 scripts/subfix.py <video.mp4> [--out DIR],可带 --max-seconds、--lang zh、--reuse;出海运行 python3 scripts/dub_multi.py <video.mp4> --transcript <A 的 transcript.json> --langs en,ja,es,pt --out <DIR>。多语言预览用 python3 scripts/preview_editor.py <out>/manifest.json。
依赖与限制:需要 bl(百炼 CLI v1.4+)、ffmpeg、python3;预览页需 flask。认证可用 bl 自身登录或 DASHSCOPE_API_KEY。配音仅支持中/英/日/韩(CosyVoice 限制),其余语言只出字幕;日韩配音质量需实跑确认。纯口播、谈话头类视频因术语不在画面,会更多保留原文。改提示词前需先读 references/design-gates.md。定价、具体性能数据暂未提供。