SoundWise 的自动分段通常取决于导出的文本格式。如果导出文本带时间码，可以用时间间隔或静音点做二次分段；如果只有纯文本，就要回到音频重新检测边界。下面按“先检查内置功能，再上脚本后处理”的顺序说明。

判断：SoundWise 能否自动分段，取决于导出格式。优先在软件设置里找“智能分段”或“说话人分段”；若导出的是带时间戳的 SRT/VTT，可按时间间隔切段；若只有纯文本且保留原始音频，可用静音检测辅助定位分段点。需要结合具体版本确认选项位置。

第一步：确认内置分段选项

打开 SoundWise 的导出菜单，看是否有“带时间戳”“SRT”“VTT”“说话人标签”等格式。很多工具会提供“智能分段”“段落识别”“章节标记”之类的选项，这些通常基于语义或静音自动切分。如果有，直接导出分段后的文本，再检查每段是否在语义上闭合。

如果导出菜单里没有这些选项，再检查首选项或设置页面。某些版本把分段开关放在“转写”或“高级”分类下，需要打开后才能生效。若找不到，不要强行猜测，可参考该版本的帮助入口或更新说明。

第二步：用时间间隔切分 SRT/VTT

适用于导出带时间码的文本。原理是：录音中较长的停顿通常是自然分段的边界。把相邻字幕块之间的时间差超过阈值的点作为分段点。

下面脚本按 SRT 格式读取，把间隔大于 2 秒的字幕块合并成一段。阈值可根据语速调整。

import re

def parse_srt(path):
    with open(path, encoding='utf-8') as f:
        lines = f.read().splitlines()
    blocks = []
    i = 0
    while i < len(lines):
        if '-->' in lines[i]:
            start = lines[i].split(' --> ')[0]
            end = lines[i].split(' --> ')[1].strip()
            text_lines = []
            i += 1
            while i < len(lines) and lines[i].strip():
                text_lines.append(lines[i].strip())
                i += 1
            blocks.append((start, end, ' '.join(text_lines)))
        i += 1
    return blocks

def to_seconds(ts):
    h, m, s = ts.split(':')
    s = s.replace(',', '.')
    return int(h)*3600 + int(m)*60 + float(s)

def group_by_gap(blocks, gap=2.0):
    result = []
    current = []
    prev_end = None
    for blk in blocks:
        start_s = to_seconds(blk[0])
        if prev_end is not None and start_s - prev_end > gap:
            if current:
                result.append(current)
                current = []
        current.append(blk[2])
        prev_end = to_seconds(blk[1])
    if current:
        result.append(current)
    return result

if __name__ == '__main__':
    blocks = parse_srt('output.srt')
    segments = group_by_gap(blocks, gap=2.0)
    for i, seg in enumerate(segments, 1):
        print(f'--- 第{i}段 ---')
        for line in seg:
            print(line)

把导出的 SRT 命名为 output.srt 放到脚本所在目录，运行 python split_srt.py。如果分段点偏多或偏少，调整 gap 参数。

第三步：用静音检测补充没有时间戳的情况

如果 SoundWise 只输出纯文本，但它能保留原始音频，可以用 ffmpeg 检测静音段，再手动或写脚本把文本按时间点切开。

ffmpeg -i input.wav -af silencedetect=noise=-30dB:d=0.8 -f null - 2>&1 | grep silence_start

这个命令在 input.wav 上检测持续 0.8 秒以上且低于 -30dB 的静音，输出 silence_start 时间点。得到的时间点就是潜在分段位置。接下来把 SRT 或带时间戳的转写文本按这些时间点对齐。

注意：阈值和静音时长都要根据录音环境调整。环境安静可调低 noise 值，多人对话建议同时看说话人变化。

第四步：验证分段结果

• 每段是否语义完整：单独拿出来能看懂，不突然断在句子里。
• 时长是否均匀：会议录音的分段通常在 3-8 分钟之间；小说朗读会更短。
• 时间戳是否连续：后处理脚本如果出现乱序，要检查 SRT 的 idx 行。

无论用哪种方法，最终都要人工抽听每一段的开头和结尾。自动分段只能给候选边界，真正可发布的版本需要再校验。