识别出文字只是开始

模型把话听对了，离一份能读的稿子还差好几步。

固定时长切块是错的

导入一段长音频做转写，不能一次性喂给模型，得切成块。最早的做法是按固定 30 秒硬切。

这个做法的问题在真实录音里很明显：切点落在哪儿完全看运气。一句话说到第 29 秒还没说完，剩下的半句就进了下一块。两块各自识别，中间那个词往往两边都不对，读起来是一句话断在半空，下一段又从半个词开始。

现在的做法是先用 VAD 扫一遍整个文件，拿到所有的语音区间和它们之间的静音间隙，再把语音区间聚合成不超过 28 秒的解码窗口，窗口的分界点只允许落在静音间隙上，优先挑停顿超过 0.3 秒的位置。如果碰到极端情况，一段音频里连续说了很久没有一个像样的停顿，才退而求其次，在窗口里找那个最长的间隙切下去。

切点从此由内容决定，不再由时间决定。代价是要多跑一遍 VAD 全文件扫描，换来的是句子不会被拦腰截断。

标点要先剥掉，再重新加一遍

SenseVoice 的输出自带标点，但那个标点是逐窗口独立产生的，窗口之间没有上下文。把十几个窗口的结果拼起来，标点密度和风格并不一致。

所以标点这一步要重做，用的是 CT-Transformer，一个专门做标点恢复的离线模型，int8 量化后大约 70MB，和 App 一起打包。它的输入契约是不带标点的原文。

我第一次接的时候没注意这一点，直接把识别结果喂了进去，结果输出里出现了「。，」「，，」这样的组合，模型加的标点和识别器自带的标点叠在了一起。修法是在送进模型之前先用一个函数把所有标点剥干净，只留下汉字、字母、数字，空白折叠成单个空格，然后再恢复。

这个坑值得记一笔，因为它不会报错。产出是一份看起来正常、细看到处是重复标点的稿子，如果测试用例里没有恰好跨窗口的长句子，很容易漏过去。

模型不在的时候怎么办

标点模型有可能加载不了，资产包没下完、文件损坏、磁盘满，都有可能。这时候不能让整个转写失败，用户要的是文字，标点漂不漂亮是第二位的。

现在标点服务在模型不可用时返回空，由上层走降级路径：保留识别器自带的标点，再用规则做一遍修补。出来的稿子标点会比模型版本粗糙一些，但内容是完整的，用户能读、能编辑、能导出。

实时断句的三个数字

实时转写要一边说一边出字，就得决定什么时候认为一句话说完了、可以定稿上屏。这件事由三条规则控制，各自管一种情况。

第一条管的是完全没出字的静音，超过 2.4 秒就认为这一轮结束。第二条管已经出了字之后的尾部停顿，超过 0.7 秒就切。第三条是兜底，一块连续说了 15 秒还没遇到任何停顿，硬切。

这三个数里有两个是改过的。sherpa-onnx 的默认值是尾部停顿 1.2 秒、硬切上限 30 秒，直接用下来发现不对：中文说话的句间停顿常常只有零点几秒，1.2 秒这个门槛基本抓不到，结果就是一直不切，一直攒，最后攒够 30 秒硬切一次，屏幕上突然蹦出一大块字。用户看到的是转写卡了半分钟然后一次性刷出来。

调到 0.7 秒和 15 秒之后，正常带停顿的说话大概每 2 到 6 秒切一块，实时感回来了。中间还怀疑过是不是自适应增益把停顿填平了导致检测不到，专门验了一次，不是，停顿能正常检出。