拿到 Xiaomi-CocktailASR-1 这类带说话人分离的识别结果后，先别急着拼字幕。这类输出通常是片段级的中间结构：每段带一个说话人标签和本段自己的时间，直接拼起来会出现时间轴对不上、标签串行的问题。要做说话人归属和按时间轴对齐，建议先把 speaker、start、end、text 这几个字段的实际含义确认清楚，再把片段级时间累加成全局时间表，最后用播放器抽查边界。字段名和是否自带 offset，需要结合你实际拿到的输出确认，不要照搬下文的示例名。

把识别输出当中间结构处理：确认字段 → 逐段累加时间 → 映射说话人模板 → 播放器抽查 → 过滤异常行。适用于已有片段级 speaker 与时间戳、要生成字幕或会议纪要的场景；关键动作是保留原始时间戳并累加 offset；验证方式是用音频播放器比对开头、说话人切换点、结尾三处；边界是 speaker 为空、时间倒挂的行不能直接进最终稿，需要回听或标记。

从示例输出里摘出最小字段集

第一步不是写转换脚本，而是先看一眼真实输出里到底有哪些键。可以对一小段音频跑一次识别，把返回结果原样保存下来，再逐条检查。下面是一个脱敏后的片段示例，字段名以你实际输出为准，可能是 speaker_label、begin、end_ms 之类的变体：

{
  "segments": [
    {"speaker": "S1", "start": 0.00, "end": 2.35, "text": "先同步一下今天的排期"},
    {"speaker": "S2", "start": 2.35, "end": 5.10, "text": "接口那块我来跟"},
    {"speaker": "S1", "start": 5.10, "end": 7.80, "text": "好，那字段先定下来"}
  ]
}

需要确认的最小字段集只有四类：说话人字段、起始时间字段、结束时间字段、文本字段。要留意三点：时间是秒还是毫秒，起点是相对片段还是相对整段音频，说话人标签是 S1/S2 这类代号还是可读名字。如果输出里时间单位是毫秒而模板按秒换算，后面所有时间戳都会整体偏移。可以先写个两三行的脚本打印键名和值的类型，比凭印象假设可靠。

把片段级时间戳累加为全局时间轴

分段输出最常见的坑，是每段的时间都从本段起点算，或者每段之间还夹着一段静音。判断方法很直接：看第二段的 start 是否接近第一段的 end。如果每段都从接近 0 开始，就需要按顺序累加已消费的时长。下面是一段 Python 骨架，字段名按实际输出替换：

import json

rows = []
offset = 0.0        # 已消费掉的音频时长
GAP = 0.0           # 段间固定间隔，按实际填，没有就保持 0

for seg in segments:                 # segments 为逐段输出
    s = float(seg['start'])          # 字段名以实际输出为准
    e = float(seg['end'])
    rows.append({
        'speaker': seg.get('speaker'),
        'g_start': round(offset + s, 3),
        'g_end':   round(offset + e, 3),
        'text':    seg.get('text', ''),
    })
    offset += (e - s) + GAP

rows.sort(key=lambda r: r['g_start'])
with open('global_timeline.jsonl', 'w', encoding='utf-8') as f:
    for r in rows:
        f.write(json.dumps(r, ensure_ascii=False) + '\n')

如果输出本身就带绝对时间（每段 start 已经是整段音频的位置），就不要累加，只做排序和去重。判断依据可以取最后一段的 end 与音频总时长比对，差距大说明还需要累加，接近说明本身就是全局时间。

将 speaker 标签映射到字幕或纪要模板

全局时间表有了之后，说话人归属就是按标签取值映射成可读文本。字幕和纪要的差别在于，字幕更依赖原始时间戳，纪要更依赖按人归并。建议先保留一份带原始时间戳的中间文件，再分别套模板，避免转换后无法回查。字幕模板可以先写成这样：

[00:00:03.120 - 00:00:05.480] 说话人A：先同步一下今天的排期
[00:00:05.480 - 00:00:08.900] 说话人B：接口那块我来跟

如果要做纪要，可以在同一份 rows 上按 speaker 分组，组内仍按 g_start 排序，把时间戳保留在行首或行尾：

def fmt(t):
    m, s = divmod(t, 60)
    return f'{int(m):02d}:{s:06.3f}'

rows.sort(key=lambda r: (r['speaker'] or 'ZZ', r['g_start']))
for r in rows:
    print(f"{r['speaker'] or '未知'}  [{fmt(r['g_start'])}]  {r['text']}")

这里建议不要急着把 S1、S2 改成真实姓名，映射表单独维护一份，等抽查确认说话人一致后再替换。同一说话人如果标签在不同片段间跳变，先保留原标签，后面再统一。

用音频播放器抽查三条时间戳边界

时间轴是否可用，靠抽查比靠脚本自检更直接。用能显示播放位置的播放器打开原始音频，依次看三处：开头第一段的起点、中间一次说话人切换点、最后一段的结束点。每处记录播放器显示的位置、文本里的时间戳、以及你听到该句起止时的位置，把差值记下来。

• 开头：确认第一句文本出现的位置与音频起始说话是否吻合，主要看整体是否偏前或偏后。
• 中间切换点：找一处明显换人的位置，看标签变化是否与听感一致，这里最容易暴露累加 offset 算错。
• 结尾：确认最后一段的 g_end 不超出音频时长，超出往往意味着 GAP 或单位换算有问题。

如果三处的差值方向一致、量级接近，说明是整体偏移，可以统一平移；如果差值忽大忽小，说明单位或累加逻辑有问题，需要回到第二小节重新检查。单个点对不上不必立刻改全局，先回听确认是不是识别本身切分就不准。

处理 speaker 标签为空或时间戳倒挂的异常行

最后一步是把脏数据挡在成稿之外。常见异常有两类：speaker 为空，以及 g_end 小于等于 g_start 的倒挂行。前者可能是重叠说话或短促应答，后者多半是累加时边界处理错了。可以先用简单规则过滤并打标：

clean, review = [], []
for r in rows:
    if r['g_end'] <= r['g_start']:
        r['flag'] = '时间倒挂'
        review.append(r)
        continue
    if not r['speaker']:
        r['flag'] = 'speaker为空'
        review.append(r)   # 保留但标记，是否入稿再定
        continue
    clean.append(r)

处理原则建议是：时间倒挂的行一般不直接进最终稿，需要回听确认是切分问题还是转换问题；speaker 为空但文本完整的行，可以先保留并标成待定，回听后再决定归到相邻说话人还是标为未知。整段音频都被标成同一个 speaker 时，也要回听抽查，这类情况可能是分离结果本身没生效，而不是你的转换脚本出错。