手里已经有一整期长音频或长稿，最稳的做法不是直接提交，而是先剪一段三分钟样音跑一遍。Aunio 这类工具的试用边界，通常不在“能不能出结果”，而在三件事：输入有什么要求、跑一轮要等多久、出来的东西哪些还能改。三分钟足够把这三件事暴露出来，又不至于让你在一整期素材上白等一轮。下面按素材怎么挑、观察什么、分别改什么、怎么折算整期四步走，每一步都能在配置、日志或页面行为里验证。
先用三分钟样音摸清 Aunio 的输入要求、处理耗时、可改项与只能重跑项，再按整期时长做倍数折算。样音要覆盖多人对话、背景噪声、需补录三类片段；跑通后分别改一次音色、语速和分段，记录各自的重跑范围与耗时。样音顺利只说明链路通了，长音频的排队、超时和上下文限制仍要结合自己的环境确认，整期排期必须留返工余量。
挑一段能代表全篇难度的三分钟素材
样音的目的，是让结果能外推到整期。全挑最干净的一段，跑出来的耗时和产出会偏乐观；全挑最烂的一段，又容易误判产品不可用。建议从整期里找两到三个候选片段，各剪一段拼成三分钟，让三类难度都出现：
| 片段类型 | 建议占比 | 要覆盖的情况 | 挑选动作 |
|---|---|---|---|
| 多人对话 | 约占一半 | 抢话、说话人切换、不同口音 | 挑说话人最密、切换最频繁的一段 |
| 背景噪声 | 约占四分之一 | 空调、键盘、街道底噪，看是否做人声分离或降噪 | 挑底噪明显但仍能听清内容的段落 |
| 需要补录或修正 | 约占四分之一 | 口误、读错、要重念的句子 | 挑你已经确知要改的那几句 |
三类都出现，样音才算合格。另外要保证样音的语种、口音、麦克风和采样格式与整期一致，否则耗时和产出都对不上。如果 Aunio 的提交页有任务参数，可以先用一份骨架填一遍，字段名按页面实际值替换：
{
"task": "sample",
"audio": "sample_3min.wav",
"duration_target_sec": 180,
"segments": [
{"name": "multi_speaker", "range": "00:00-01:30"},
{"name": "noisy_bg", "range": "01:30-02:15"},
{"name": "need_rerecord", "range": "02:15-03:00"}
],
"outputs": ["text", "timeline", "speaker"]
}提交前确认页面上有没有时长、体积或格式的上限提示，这一条往往比音质更容易卡住整期交付。
记录处理耗时与产出的可改项
样音跑完先别急着评价效果，先把四项观察记下来。判断依据是页面行为、日志和命令输出，不靠感觉。
| 观察项 | 怎么记 | 判断边界 |
|---|---|---|
| 输入长度 | 记录样音实际秒数、文件大小、格式 | 看页面是否给出上限，长音频是否被拆段或拒绝 |
| 处理耗时 | 从提交到可播放的墙钟时间，尽量区分排队与处理 | 排队时间会随并发变化，别把它算进单条处理成本 |
| 可调项 | 音色、语速、分段边界、停顿、术语词表等，以页面实际提供的为准 | 页面没给的项，就不要假设能通过参数改 |
| 只能重跑项 | 识别文本、说话人分离、降噪或分离强度这类前置结果 | 前置结果一旦产出，改它通常等于换一次输入 |
可以按下面的模板记一份，放在项目目录里，后面折算整期时直接引用：
sample_run:
input: 180s / 44.1kHz / mono wav
wall_clock: 提交时间 -> 可播放时间（自己掐表）
queue_vs_process: 页面或日志中能看到的排队/处理分段
outputs: text / timeline / speaker
tunable: voice, speed, segment_break
rerun_only: asr_text, denoise_or_separation字段名只是记录结构示意，具体以 Aunio 页面和日志实际显示为准。这一步结束后，你应该能明确回答：哪些问题是调参数就能解决的，哪些必须重新上传或重跑整条链路。
在半成品上分别改音色、语速和分段各一次
不要一次把音色、语速、分段全改，那样出了偏差说不清是哪一项导致的。建议在样音的半成品上分三轮各改一次，每轮只动一个变量，并记录重跑范围和耗时。
| 改动 | 通常需要重跑的范围 | 是否重跑识别 | 记录项 |
|---|---|---|---|
| 改音色 | 多半只需重新合成 | 文本已定稿时通常不需要 | 重合成耗时、音色在不同片段是否一致 |
| 改语速 | 整段重合成，或只重合成受影响句 | 通常不需要 | 时间轴是否变化、字幕是否需要重新对齐 |
| 改分段 | 可能触发时间轴或字幕重排，改动大时回到识别环节 | 改到文本内容时需要 | 重排耗时、边界是否又跑偏 |
每轮改完，用两件事验证：一是把前后版本的音频各听一遍，确认改动是预期的；二是看时间轴或分段边界有没有连带变化。分段这类改动很容易牵动后续对齐，所以放在最后一轮做，能把返工范围控制住。
把样音结论折算到整期的排期里
折算的基本原则是按倍数放大，而不是把三分钟的结果乘以一个大数就完事。先用公式算出单轮，再把返工轮次和人工复核加回去：
整期单轮 ≈ 样音单轮耗时 × (整期时长 ÷ 3分钟) × 链路系数
整期总排期 ≈ 单轮 × 返工轮次 + 人工复核时间 + 余量链路系数要由你自己的样音结果反推：如果长音频出现拆段、排队变长或超时重试，系数就会大于 1。这部分不要照抄别人的数字，按你记录的那份 sample_run 填：
| 项 | 算法 | 你要填的值 |
|---|---|---|
| 单轮折算 | 样音单轮耗时 × (整期分钟数 ÷ 3) | 上一步实测的记录 |
| 返工轮次 | 样音阶段改了几次，整期通常只多不少 | 1 轮 / 2 轮 |
| 总排期 | 单轮 × 返工轮次 + 人工复核 | 据此排交付时间 |
| 余量 | 长音频可能超时、拆段或人工纠错增多 | 建议单独留出一轮 |
如果算出来超出预期，缩小范围的顺序建议是：先把整期拆成分集，只跑第一集验证；再考虑先只出文本和时间轴，音色与语速定制放到文本确认之后；把安静段落和噪声段落分成两批处理，避免噪声段落拖慢整体；需要补录的句子单独处理再合并；减少音色、语速的反复调整次数，每类只保留一次确认。样音跑通只证明链路可用，长音频的排队、超时和上下文限制仍需结合你所在的环境和账户限制确认，折算出来的排期要按可调整来用。