Nemotron 3.5 Transcribe 这类转写模型通常只对「文本」负责，时间戳多半落在分段级，甚至只到词或字一级，句子边界要靠后处理补。判断顺序建议是：先打印一条完整输出确认字段与时间单位，再决定时间戳在并句环节取首尾，还是交给强制对齐工具重算；字幕不对齐时不要先怀疑模型，先看自己的合并规则。

把转写结果当成「文本 + 分段边界」，不要指望它直接产出句子级字幕。先用日志打印一条完整输出，确认 start/end 是秒还是毫秒、层级在哪一层；再用标点与停顿阈值并句，时间戳取首段起点、末段终点；需要严格句界时再接强制对齐。验收靠随机抽十句回听，把整体偏移和逐句漂移分开判断，不要只看第一句。

先打印一条完整输出，看清字段结构

不要凭记忆写解析代码。把一次请求的原始返回落盘成文件，再用 python -m json.tool 或 jq 展开看一遍，确认三件事：文本在哪个字段、时间戳挂在哪一层、分段是按什么切的。下面只是一个常见形态的样例，字段名和层级要以你本地实际运行结果为准，不要照抄。

{
  "text": "整段转写的完整文本",
  "segments": [
    {
      "start": 0.0,
      "end": 2.36,
      "text": "我们把这一段先切出来",
      "tokens": [
        {"text": "我们", "start": 0.0, "end": 0.42}
      ]
    }
  ]
}

• text：整段纯文本，不含时间信息，只能用来做全文比对或搜索，不能直接切字幕。
• segments：分段数组。粒度由模型按停顿切，可能一句一段，也可能半句一段，这是碎段的来源。
• start / end：该段在音频中的起止。重点确认单位：秒的浮点数还是毫秒整数。若数值都是整百整千量级，基本可以判断是毫秒。
• tokens：字或词级时间戳。有这一层就有条件做近似句子级对齐；没有这一层，句子级时间戳只能靠分段边界推算。

验证方式：取第一条 start 与最后一条 end，跟音频实际时长比对。起点明显大于 0，说明开头静音被吃掉；终点明显小于音频长度，说明尾部有内容没被识别出来。这两种情况都会让后续字幕整体错位，先修输入再谈对齐。

把碎段合并成可读句子

碎段的典型表现是：字幕一行只有三五个字，闪一下就走，读起来跟不上。合并逻辑建议按顺序累积相邻分段，满足任一条件就断句：累积文本以句末标点结尾、相邻两段的间隔超过停顿阈值、累积字符数达到上限。停顿阈值从 0.5 秒到 0.8 秒起调，按素材语速调整，不要写死在业务代码里。

END_PUNCT = '。！？!?；;'

def flush(buf):
    return {
        'start': buf[0]['start'],        # 取第一段起点
        'end':   buf[-1]['end'],        # 取最后一段终点
        'text':  ''.join(s['text'] for s in buf).strip(),
    }

def merge(segments, pause=0.6, max_len=32):
    out, buf = [], []
    for seg in segments:
        if buf and seg['start'] - buf[-1]['end'] >= pause:
            out.append(flush(buf)); buf = []
        buf.append(seg)
        text = ''.join(s['text'] for s in buf).strip()
        if (text and text[-1] in END_PUNCT) or len(text) >= max_len:
            out.append(flush(buf)); buf = []
    if buf:
        out.append(flush(buf))
    return out

合并后时间戳的规则要写死并注释清楚：起始取被合并的第一段 start，结束取最后一段 end，不在字之间做插值，也不取平均。风险边界在于：如果两句之间夹着一段长静音，按首尾取时就会让字幕长时间停留，观感很差。稳妥做法是先按停顿断句，再做二次合并，或者把超过阈值的长静音从句子内部切出去。

句子级时间戳的两种补法

近似路线：用分段边界推算。句子由若干分段拼成，直接沿用首尾时间戳。适用条件是模型分段粒度已经接近句子、语速比较均匀、用途只是普通观看字幕。代价是句内起止并不严格对应第一个字和最后一个字，遇到快语速或句首轻声时偏差会更明显。这条路线不需要额外算力，改配置和脚本就能跑，建议先做。

精确路线：用强制对齐工具补。把原始音频和已经确认过的转写文本一起送进对齐器，拿到字或词级边界，再按分词结果聚合成句子。适用条件是必须有原始音频、文本与音频严格一致、对句界要求高（例如逐句高亮或教学场景）。代价和对齐风险要说清：文本被改写、漏字、多字都会让对齐失败或错位；中文还要处理分词边界，标点不能参与对齐；另外对齐步骤会明显增加处理耗时，需要在流水线里单独排队。判断顺序建议是先近似，抽检不过再上精确。

导出 SRT 时容易踩的格式坑

SRT 的失败大多不在内容，而在格式：时间用点号而不是逗号、毫秒没补三位、序号不连续、块与块之间少一个空行，播放器就直接整段不认。下面是最小可用的生成骨架，fmt 负责补零与逗号，写文件时统一 UTF-8 编码，并保证结束时间严格大于开始时间。

def fmt(t):
    ms = int(round(t * 1000))
    h, ms = divmod(ms, 3600000)
    m, ms = divmod(ms, 60000)
    s, ms = divmod(ms, 1000)
    return f'{h:02d}:{m:02d}:{s:02d},{ms:03d}'

def to_srt(items):
    lines = []
    for i, it in enumerate(items, 1):
        start = it['start']
        end = max(it['end'], start + 0.001)   # 防止零长度
        lines.append(str(i))
        lines.append(f'{fmt(start)} --> {fmt(end)}')
        lines.append(it['text'].strip())
        lines.append('')
    return '\n'.join(lines)

一条输出样例，可以直接对照检查：

1
00:00:00,000 --> 00:00:02,360
我们把这一段先切出来

2
00:00:02,400 --> 00:00:05,120
再决定时间戳补在哪一环

另外两个细节：句子内部的换行要保留，但不要出现连续两个空行；文件末尾留一个换行即可，多余的空白块会让部分播放器把最后一条当成非法条目。导出后用播放器打开一次，能正常显示再进入抽检环节。

随机抽十句回听核对对齐

抽检的目的不是证明「全部正确」，而是判断偏差是整体偏移还是逐句漂移。抽查清单建议这样定：随机取十句，覆盖开头、中段、结尾各至少两句；其中包含一句带数字或专有名词的、一句语速明显偏快的、一句句首有停顿的。回听时人工判断语音实际起止，与字幕起止相减，正值表示字幕晚于语音。

读表方法：十句偏差方向一致、幅度接近，基本是整体偏移，优先查音频起点、采样偏移、前置处理有没有裁静音；偏差方向随机、幅度忽大忽小，说明分段边界本身不准，回到并句阈值调整，或者改用强制对齐；如果起始偏差小而结束偏差大，句子被拉长了，多半是尾部静音被并进同一句。把这份记录留档，下次换素材时可以直接对比，比凭感觉说「好像对上了」可靠。