先核准字幕时间轴再动配音——BaoCut 跨语言配音的先后次序

直接拿原片跑配音、结果音画对不上，最常见的根源不是配音引擎，而是字幕条目本身的切分和时间码。跨语言配音里，字幕既是翻译载体，也是配音的排期表：每条字幕的起止时间决定了这段译文要被塞进多长的时间窗口。窗口偏短，译文会被压速或截尾；窗口偏长或相邻条间隔太小，两句话会粘在一起。所以稳妥的做法是先只处理字幕文件，把解析、起止时间、间隔和重叠核准，再让配音任务读这份核准过的输入；动配音参数之前先确认时间轴本身没问题，否则调语速只是把错位换个位置暴露。

适用场景：原片直接跑跨语言配音后出现吞字、截尾、相邻句粘连。操作动作：先单独解析字幕文件确认结构可读，再逐条核对起止时间、间隔与重叠，修正后重跑一次配音对比。验证方式：比对修正前后的条目级时间戳与试听首尾字位置。风险边界：若修正时间轴后错位依旧，问题在切分规则、语速参数或合成拼接顺序，继续改字幕只会越改越乱。

先把字幕文件单独解析一遍看结构

解析失败经常被当成配音失败。做配音前，先用一个不涉及任何合成环节的小步骤把字幕读出来：条数对不对、时间码能不能转成数值、文本是不是乱码。这一步能挡掉相当一部分“音画对不上”的误判。

编码与格式要求通常是：文件用 UTF-8 保存，尽量不带 BOM；SRT 的时间码写成 00:00:01,000 --> 00:00:04,000，毫秒前是逗号；WebVTT 用点号且首行是 WEBVTT；空行分隔条目，序号行必须连续递增。混用逗号和点号、时间码位数不足、条目之间缺空行，都会让解析器把整块内容跳掉。

解析后建议至少拿到这些字段再往下走：条目序号（index）、起始毫秒（start）、结束毫秒（end）、时长（duration = end - start）、文本（text）。文本为空但时间码存在的条目要单独标出来——它会让配音阶段拿到一个没有内容的窗口。

# 通用骨架，只依赖标准库；按实际文件格式替换正则
import re

CUE = re.compile(r"(\d{2}):(\d{2}):(\d{2})[,.](\d{3})\s*-->\s*(\d{2}):(\d{2}):(\d{2})[,.](\d{3})")

def to_ms(h, m, s, ms):
    return ((int(h) * 60 + int(m)) * 60 + int(s)) * 1000 + int(ms)

def parse(path):
    raw = open(path, encoding="utf-8-sig").read()   # utf-8-sig 顺手吃掉 BOM
    cues = []
    for lineno, line in enumerate(raw.splitlines(), 1):
        hit = CUE.search(line)
        if hit:
            g = hit.groups()
            cues.append({"line": lineno, "start": to_ms(*g[:4]), "end": to_ms(*g[4:])})
    return cues

解析失败的常见报错文本大致是这几类：Invalid timecode 或 unable to parse timestamp（时间码格式不对）、No valid cues found（整份文件没匹配到条目，多半是编码或分隔符问题）、Unexpected end of file（最后一条被截断）、以及序号行解析失败导致条目错位。看到这些报错时先修文件，不要进配音环节试。

逐条核对起止时间、间隔与重叠

需要检查四类异常：一是时长过短，配音来不及读完译文就被切掉；二是时长过长，短句被拉长成拖音或留白；三是相邻条间隔过小甚至为 0，合成后两句话首尾粘在一起；四是时间码非递增或与前一条重叠，渲染时后一条会盖住前一条的尾部。

判断阈值没有通用数值，需要结合环境和语速确认。可以先用一个保守区间试：单条时长低于几百毫秒基本读不完整句，高于十几秒要考虑是不是把两三句合成了一条；条目间隔低于几十毫秒时，粘连风险明显上升。这些值要按目标语言的平均音节速率和实际试听结果回调，不要当成标准。

MIN_DUR, MAX_DUR, MIN_GAP = 400, 12000, 80   # 毫秒，按语言和语速调整

for i, c in enumerate(cues):
    dur = c["end"] - c["start"]
    if dur <= 0:
        print("时长非正", c)
    elif dur < MIN_DUR:
        print("过短，可能被截断", c)
    elif dur > MAX_DUR:
        print("过长，可能多句合并", c)
    if i:
        prev = cues[i - 1]
        if c["start"] < prev["end"]:
            print("与上一条重叠", c)
        elif c["start"] - prev["end"] < MIN_GAP:
            print("间隔过小，可能粘连", c)

批量列完之后，优先处理重叠和时长非正的条目——这两类会让下游直接错位；时长过短和间隔过小可以结合试听逐条决定是并条还是放宽窗口。改的时候保持条目数量不变或明确记录数量变化，否则后面比对前后两次配音会失去参照。

修正时间轴后重跑一次配音并比对

这一步的目的是验证时间轴确实是错位来源，而不是顺手再调一堆参数。只改字幕文件，配音参数保持和上一次完全一致，跑完之后做条目级对比。

对比维度建议固定成四个：每条字幕的起止时间是否与配音片段一致、每条配音的实测时长与字幕窗口的差值、非语音区间是否仍然安静、试听时句首第一个字和句尾最后一个字是否完整。比对位置集中在每条的起点前后和终点前后，粘连问题看相邻两条的接缝处。

如果修正时间轴后同一位置仍然错位，基本可以判定问题不在时间轴：可能是切分时把一句话拆成了两条、语速参数把长句压得过紧、或者拼接阶段把片段按完成顺序而非条目顺序合并。这时回到时间轴继续改，只会让偏差扩散。

确认配音阶段的合成顺序与字幕顺序一致

字幕没错但拼接顺序乱了，症状很迷惑：总时长对得上，内容却整体错位若干句。排查方法是看合成任务和字幕条目之间有没有稳定的一一对应关系。

正常情况下，每条字幕对应一个合成任务，任务在提交和回调的日志里都带条目序号（index）或条目 ID；任务完成顺序可以乱，但拼接时必须按 index 排序，而不是按完成时间或列表插入顺序。日志里出现“任务 ID 递增但 index 跳跃”“回调顺序与 index 不一致”“拼接日志缺少 index 字段”这类特征时，顺序错乱的可能性很高。

重排后的验证步骤：先只渲染两条相邻字幕，确认第一句在前第二句在后；再放开完整条目，比对每条配音的实际起点与字幕 start 的差值是否都落在可接受范围内；最后核对总时长等于各段时长加空隙之和，而不是简单取最大值。

把核准过的字幕固化为后续复用的输入

跨语言配音通常要跑多轮、多语种，每次重新处理原字幕等于每次重新踩一遍时间轴问题。核准后的字幕应该冻结成一份独立输入，后续只替换文本，不动时间码。

命名与存放建议体现状态而不是版本号堆叠，例如 subtitles/approved/<片名>.<语言标签>.approved.srt，并把原片标识、核准时间写在文件头注释或同目录的说明文件里。文件名带上 approved 这类状态词，能让人一眼看出它和原始字幕不是同一份东西。

复用前做一次快速校验：条目数与非空文本数一致、时间码严格递增、总时长与原片一致、首尾时间码与核准时记录的值相同。多语言版本共用同一份时间轴的做法是只翻译 text 字段、完整保留 index 和 timecode，并在生成后断言各语言文件的时间码逐条相同；断言不通过就不进配音，直接回退到核准版本重出。