文章

AI 视频的字幕越到后面偏得越多：别再修对齐算法了，问题出在「先生成整段音频」这一步

用 TTS + 自动字幕做科普视频，字幕前半段完美、越往后漂移越大，尾部时间戳甚至退化成 00:00:00。第一反应是修对齐算法——归一化数字、调相似度阈值——都是打补丁。这篇复盘给出根因：「整段 TTS + whisper 转写 + 事后匹配」这类方案在结构上必然漂移，因为它把本该由生成过程直接产出的时序信息，交给了一个会出错的事后重建环节。解法是逐句 TTS + 采样级拼接：字幕时间戳等于每句真实 wav 采样数的累加，句边界天然重置误差，物理上不存在漂移。附完整切句规则、缓存设计与适用边界。