我一直在弄一个输入视频然后输出精美字幕的项目
最开始就很简单的，用whisper直出，然后人工切，差不多能打个30分，顶多省去自己听的步骤
后来了解后用上whisperX，后来换到stable-ts，感觉有个70分，起码很多地方只需要切开，不需要自己划范围了
然后后来有看到一个项目，试了一下那个项目，是：音频分离-人声分离-whisperX听写-NLP分句-标点分句-连词分句-LLM分句-AI分块粗翻-AI分块润色-对齐-输出，这时候就感觉有个85分的意思，你要是要求很低的话，直接给人看也没问题了
之后在这个项目基础上魔改了很多，一点点往上加功能，一开始把whisperX换成stable-ts，然后开启VAD，后来加上人声频段识别，再后来又加声学对齐，然后又打算力大砖飞把什么标点分句，NLP分句，连词分句统统换成LLM分句，感觉有个95分的意思了
这几天，尤其是开源后，又改了很多，现在最后的流程
音频分离-人声分离-whisper第一次听写-LLM修正专有名词听写错误-stable-ts对齐-mfa对齐-超过1.5s停顿强行分句-NLP分句-修正NLP将专有名词分到两行-LLM分句-分块并发翻译-全文一次润色-译文二次断句-对齐-输出，现在感觉是有99分了
但是那1分就永远膈应着人，比如有一句话
has got like 20,000 miles on or something like that on a full charge,
285 miles of range with the off road tires.
实际上应该为
has got like 20,000 miles on or something like that
on a full charge, 285 miles of range with the off road tires.
这种的实际上除非LLM本身能传入时间戳信息判断，唯一的方案就是去反复微调那个“超过1.5s停顿强行分句”这里的参数1.5，它最后可能取0.9最好，也可能1.1最好，很难说
但是我最终不可能把未经校对的字幕真的端上来发，所以就导致我在纠结到底要不要再死磕调参

嗯，看了很多人的评论，其实我自己心里也很清楚，我知道人工智能这个专业，专科其实没有啥用，其实我内心想的是，提升提升自己的能力，然后对以后就业有个不错的选择，我在学校没有参加任何学生会，和社团，也没有任何职位，
现在就是心里很慌，因为时间很快，我不知道以后要干什么，
结合了几个佬友说的 专升本  写开源项目  提升自己的英语， 和自身写代码能力，
主打一个听劝，我也不玩游戏，  ，那我要继续参加老师推荐的比赛吗，挑战杯等等，
我会听劝 学英语，和补代码基础， 至于写项目，我目前感觉我太菜了，估计写不出来，‘’
上一篇帖子：我大专，人工智能专业，如何规划给点建议

我找了好多好像支持hcap的好少，基本上recap

求作业抄 o.O
之前了解过一些比如 happy alma
但是都没深度用过
想直接看看佬们怎么解决的
能用 cc codex 这些 o.O
急急急 马上到家 准备 coding

过年了，过两天去老婆家，总得带点东西吧。
早上去山姆买了点水果礼盒什么的，人真多啊。

（我拿着终末地去烤我的三星S21，fps的时候高帧率高画质都没问题
（结果终末地60fps中画质跑了一会图告诉我：终末地使您的手机过热，已将其自动关闭，您稍后可以重新打开它
好家伙w……