SoundWise 与本地字幕文件对比校准，通常指把 SoundWise 生成的带时间戳文本（识别结果或字幕）与已有的 SRT/ASS/VTT 字幕逐条对比，找出时间轴偏移和文本内容差异，再决定是整体平移还是逐句修正。这个任务的关键前提是两者必须来自同一份音频源，否则时间轴和文本都没有可比性。

校准前先确认同一音频源；对比应分时间戳和文本两层进行。时间戳以“恒定偏移”和“逐句漂移”区分处理；文本差异不能只看多字少字，要结合语音识别错误和字幕压缩规则判断。自动脚本只能辅助定位，最终校准需要人工复核。

一、先把两端数据解析成统一结构

无论 SoundWise 输出什么格式，都建议转成一组可比较的记录：序号、开始时间、结束时间、文本。对于本地字幕，直接按 SRT/ASS 的段落解析。如果 SoundWise 本身能导出 SRT 或 JSON，直接复用；如果只能输出纯文本，则需要先用对齐工具或人工分段。下面是一个从 SRT 解析并计算时间差的 Python 代码骨架：

import re

def parse_srt(path, offset_ms=0):
    with open(path, encoding='utf-8') as f:
        content = f.read()
    blocks = re.split(r'\n\s*\n', content.strip())
    items = []
    for block in blocks:
        lines = block.split('\n')
        if len(lines) < 2:
            continue
        idx = lines[0].strip()
        time_line = lines[1].strip()
        text = ' '.join(lines[2:])
        m = re.match(r'(\d{2}):(\d{2}):(\d{2}),(\d{3}) --> (\d{2}):(\d{2}):(\d{2}),(\d{3})', time_line)
        if not m:
            continue
        start_ms = int(m.group(1))*3600000 + int(m.group(2))*60000 + int(m.group(3))*1000 + int(m.group(4)) + offset_ms
        end_ms = int(m.group(5))*3600000 + int(m.group(6))*60000 + int(m.group(7))*1000 + int(m.group(8))
        items.append({'idx': idx, 'start': start_ms, 'end': end_ms, 'text': text})
    return items

# 已知 SoundWise 导出的时间比字幕慢 500ms，则 offset_ms=500 后与本地字幕对比

解析后可以先按时间轴顺序排序，再与本地字幕逐条对齐。如果两边条数一致，直接按序号对比；如果条数不一致，说明存在识别结果合并、拆分或漏句，需要先做序列对齐。

二、时间轴对比：区分恒定偏移和漂移

时间轴对比的核心是计算 SoundWise 时间与本地字幕时间的差值。先取前 5-10 条字幕，分别计算每条起点时间的差值。如果差值基本接近一个常数，说明是恒定偏移，例如 SoundWise 识别启动延迟导致整体落后。这种情况下可以直接整体平移：让 SoundWise 的时间戳统一加上或减去这个偏移量。

如果差值随时间变化，比如前段差 300ms、中间差 800ms、后面差 1.2s，说明是逐句漂移，可能来自音频采样率、设备延迟或 SoundWise 的语音活动检测不一致。这时不能整体平移，而需要分段对齐，比如每 10 句取一个基准点，在两个基准点之间做线性插值修正。

验证方式是重新计算修正后的时间差：理想情况下每条字幕的起点差值应落在同一个较小范围内。这里的“较小”没有通用值，需要结合你的字幕精度和 SoundWise 本身的输出粒度判断。如果差值呈现随机正负跳动，则可能是两端断句边界不一致，而不是时间漂移，应优先处理句边界合并。

三、文本内容对比：识别错误和字幕规则要分开看

文本对比不能只做逐字比较。SoundWise 是语音识别结果，可能包含语气词、同音字错误、数字和单位展开；本地字幕则可能经过压缩，比如省略“嗯”“啊”等语气词，或者把“二零二五年”写成“2025年”。因此直接比对会出现大量差异，需要先做规范化处理。

建议的步骤是：去掉标点符号和空白，统一中英文数字写法，再对文本做模糊匹配或编辑距离计算。编辑距离可以接受少量字符差异；如果相似度低于某个阈值（这个阈值要根据你的内容自行调整），再标记为异常。但要注意，字幕压缩导致的整句省略没有固定规则，建议优先查看 SoundWise 识别文本和本地字幕的句边界是否一致。

对于明显是语音识别错误的情况，例如同音字、错别字，可以直接以本地字幕为准，因为本地字幕通常是人工校对的。但如果本地字幕本身可能来自自动生成，就需要以音频为准。

四、校准执行：自动辅助加人工确认

整体校准流程可以这样组织：第一步，备份本地字幕和 SoundWise 原始导出文件；第二步，用脚本或工具输出每条字幕的时间差和文本差异清单；第三步，根据时间差模式决定整体平移还是分段插值，并在导出文件中应用修正；第四步，人工随机抽取时间轴关键点（比如开头、中段、结尾）和文本差异集中的片段，逐条试听确认。

如果 SoundWise 支持直接导出字幕，也可以把修正后的时间戳写回本地字幕副本，保留原文件。如果是做文本校准，建议把 SoundWise 识别文本和本地字幕放在同一时间轴下对齐，用双列列表或字幕编辑软件人工逐句核对。这一步没有办法完全自动，因为语音识别歧义和字幕压缩需要语义判断。

值得注意的是，有些 SoundWise 版本内置了自动对齐或纠错功能，但即便使用这些功能，也要在导出后重新检查时间戳是否仍然对应本地字幕的段落。

五、边界情况：不是所有差异都需要校准

并非所有 SoundWise 与本地字幕的差异都来自时间轴。以下情况建议先判断再修改：音频中有背景音乐或多人说话时，SoundWise 可能把无关声音识别成文本，本地字幕可能故意省略；声音和字幕生成不是同一版本时，内容本身就有差异；本地字幕如果是从视频压制时间轴复制而来，可能存在帧精度误差。遇到这些边界，可以先用一小段样本验证，再决定是否自动应用到全片。