語音與音訊 AI

TTS 影片句尾偷偷吃字？用 ASR 逐字稿 diff 才抓得到

配音聽起來像沒講完就被剪掉，但你說不準是不是自己太敏感。這篇筆記給你一套 20–30 分鐘能做完的驗證流程：處理前後的音檔各跑一次語音轉文字，兩份逐字稿一比對，被裁掉的內容馬上現形。

2026/09/22 ｜ 2 分鐘閱讀

一個核心觀念

「聽起來怪怪的」是主觀感受，「文字對不上」是客觀事實。把「音檔處理前後內容有沒有變」這個問題，轉換成「兩份逐字稿一不一樣」，就能把耳朵的不確定感，變成電腦可以自動判斷的是非題。

關鍵工具是語音轉文字（ASR，Automatic Speech Recognition）：處理前跑一次、處理後再跑一次，兩份逐字稿直接比對，字對不上的地方，就是內容真的被改動或裁掉的地方。

怎麼做（約 20–30 分鐘）

Step 1｜準備一份「處理前」跟「處理後」的音檔

不管你是用什麼工具幫音檔加後製（剪頭尾靜音、加淡入淡出、降噪等），先確保手上同時有「原始未處理」跟「處理完成」兩個版本。如果處理流程會覆蓋原始檔案，記得先備份。

Step 2｜裝一個語音轉文字工具

開源生態圈最常用、效果好又免費的是 faster-whisper（Whisper 模型的加速版）。安裝步驟因作業系統與有無獨立顯卡而異，直接照抄指令容易踩雷，改用「問 AI 咒語」讓它依你的環境給步驟：

你是 Python 新手，想在自己的電腦上安裝並使用 faster-whisper 這個語音轉文字套件。請告訴我：
1. 我的作業系統是 [Windows / Mac / Linux]，有沒有獨立顯卡是 [有/沒有]
2. 請給我完整的安裝步驟（包含要不要用虛擬環境）
3. 請給我一段最簡單的 Python 範例程式碼，輸入一個音檔路徑，印出轉錄的文字
請一步一步講解，假設我是完全新手。

Step 3｜兩份音檔各跑一次轉錄

把「處理前」跟「處理後」的音檔各自轉錄一次，存成兩份文字檔。如果只有一兩段，也可以直接印在螢幕上手動比對。

Step 4｜比對兩份逐字稿

段落不多就肉眼比對；量大的話讓 AI 幫你寫一段批次比對腳本：

我有兩份文字稿列表（處理前 A 跟處理後 B，長度一樣，一一對應），想寫一段 Python 程式，
逐項比對兩邊的文字內容是否相同，把不同的那幾項印出來給我看。請給我完整可執行的程式碼。

Step 5｜找到差異段落，回頭查後製參數

如果處理後的文字比處理前「短」，而且短的地方都在句尾——通常是後製濾鏡（尤其是靜音移除／裁切類）設定太激進，把真正的語音內容誤判成靜音剪掉了。

你一定會踩的坑

1. 靜音移除濾鏡只看音量，沒看「持續多久」：很多音訊工具的靜音移除功能只讓你設「多小聲算靜音」（音量閾值），沒有要求「要小聲多久才算靜音」。中文句子講到句尾音量本來就會漸弱，閾值設得太嚴格（例如 -40dB），句尾正常語音就會被誤判成靜音整段剪掉。實測 13 段測試語音，8 段句尾被吃字（例如「這不是你手殘」被剪成「這不是你手」）。解法：把閾值調寬鬆一點（例如 -50dB），讓濾鏡只在真正接近完全無聲時才動作——若用 ffmpeg 的 silenceremove，這個參數叫 start_threshold／stop_threshold，數字越負代表越寬鬆。調完 13 段全部驗證完整無漏字。
2. 同一段濾鏡設定複製貼上到多個專案，bug 也跟著複製：如果好幾支影片／專案共用同一套後製腳本，發現一個地方有問題，記得全部找一遍，同樣的參數陷阱大機率也存在其他複製出去的地方。
3. 「demo/測試腳本」修好了，不代表「正式產品」也吃到修正：如果示範腳本跟正式產品的程式碼是兩條分開的路徑（很常見），修好 bug 後務必回頭確認正式路徑是不是真的引用了修好的邏輯。

卡住時怎麼問 AI

把下面這段貼給 Claude／ChatGPT，換成你的狀況，並且貼上完整的錯誤訊息原文（不要自己摘要）：

我是程式新手，正在照著一份教學文件操作，卡在下面這一步：
【貼上你卡住的那個步驟】

我的電腦環境：作業系統是 [Windows / Mac]，[有裝 Python / 不確定有沒有裝]

我遇到的錯誤訊息是（如果有的話，完整貼上）：
【貼上錯誤訊息原文】

請一步一步帶我解決，假設我是完全新手，每一步都要講清楚該點哪裡、輸入什麼指令。

一句話總結

別再靠耳朵猜「這段音檔有沒有被剪壞」——處理前後各跑一次語音轉文字，兩份逐字稿直接比對，字對不上的地方就是真相所在，這個方法還能全自動化、批次驗證整個專案的所有素材。