长音频分段转写后时间戳从零开始：怎样还原整场会议

一小时录音拆成几段，转写结果里的时间又从 00:00 开始，直接拼接字幕就会重叠。解决时要保留两条时间线：每段在原音频里的实际起点，以及转写结果在该段内部的时间。 合并时把它们相加，再检查边界重复和断句。

本文于 2026 年 11 月 10 日查阅 FFmpeg 项目文档和本站音频接口说明。下文分段命令已在 FFmpeg 9.0.2 上用合成静音运行；没有上传真实录音、调用转写模型或验证说话人识别效果。

切之前先保留原文件与目标要求

先确认所选转写模型支持的文件类型、大小、时长、语言和输出格式。不要从某个供应商的限制推导所有兼容接口都相同。需要时间戳时，先用很短的公开录音确认它确实返回段级或词级时间；只有纯文本，就不能靠加一个提示词得到可靠的音频定位。

保留原文件的只读副本，记录你做过的转码、裁剪和采样设置。降为单声道可能影响依赖声道分离的处理；下面的 16 kHz 单声道 WAV 只是一种演示输出，不是所有模型的强制要求，也不用于证明音质最优。

切片时同时导出清单

在新的工作目录执行，输入文件名换成自己的本地副本。已有输出时先检查，不要直接覆盖：

mkdir -p chunks
ffmpeg -i meeting.wav \
  -map 0:a:0 -vn -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 \
  -segment_list chunks/segments.csv -segment_list_type csv \
  -reset_timestamps 1 chunks/chunk-%03d.wav

这里 600 是演示切片长度，不是 API 上限。按目标模型要求修改，并留出余量。输出 PCM WAV 可能比压缩输入大很多，切了时长也不保证满足上传大小限制。

FFmpeg 的 segment 文档源码定义了 CSV 清单的三列：文件名、片段起点秒数、片段终点秒数；没有表头。reset_timestamps 尝试让每段从接近零的时间开始，它与清单里原时间线上的起点用途不同。

本地合成 1250 秒静音的结果为：

chunk-000.wav,0.000000,600.000000
chunk-001.wav,600.000000,1200.000000
chunk-002.wav,1200.000000,1250.000000

这是命令与容器边界验证，不是语音识别结果。其他编解码器和切分方式可能受包或帧边界影响，应读实际清单和媒体信息，不要永远用“第几段 × 600”推测起点。

先验证一小段，再提交长任务

本站音频接口说明转写使用 multipart 请求。下例仅展示基本请求，模型 ID 用实际可用值替换：

curl --fail-with-body --silent --show-error \
  https://api.nbility.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $NBILITY_API_KEY" \
  -F "model=YOUR_TRANSCRIPTION_MODEL" \
  -F "file=@chunks/chunk-000.wav" \
  -F "response_format=json" \
  --output chunk-000.transcript.json

这个基本 JSON 格式不保证包含时间戳。若任务需要时间戳，先按模型文档选择支持的返回格式和参数，并检查实际响应。不要把各家字段猜成统一格式，也不要把接口错误保存成 .json 后继续当转写结果合并。本文没有执行这条带认证请求。

模型权限先按模型列表检查核对。上传失败时先查看状态、响应类型和文件大小，不要把同一段无限重提。

把局部时间换回全局时间

计算规则是：

原音频开始时间 = 清单里的片段起点 + 该段转写开始时间
原音频结束时间 = 清单里的片段起点 + 该段转写结束时间

例如，片段实际从 600.000 秒开始，一句话在该段的 12.400–15.800 秒，回到原音频就是 612.400–615.800 秒。这是算术示例，不是模型输出。若音频前面裁掉了 30 秒，而目标是未裁剪的原录音时间，还要加上那 30 秒。

合并前检查时间是有限数字、开始不晚于结束、没有明显超出对应片段；保留必要的编码误差容差，但不要静默把离谱值改成“合理”字幕。按全局开始时间排序，并保留源片段名，便于回听。

重叠与说话人标签要另行处理

上面的命令按连续区间切分，没有主动添加重叠。若为了保住跨边界句子而另做重叠切片，应记录每段真实起点，而不是按固定编号相加。重叠区两次识别可能措辞不同，不能只删完全相同的字符串；根据时间和原音频核对后保留一次。

每段的 speaker_0 也不必然是整场同一个人。需要全局说话人身份时，要有支持这项能力的流程，并单独验证，不按编号机械合并。数字、姓名和会议决定还应回听确认，转写文本不是自动通过的会议纪要。

最终验收听三处：开头、切片边界和结尾，再抽查实际引用的时间点。只需要摘要时，可在校对后的转写基础上参考文档总结方法；仍保留音频时间引用。使用 Nbility 时，按接入基础配置专用凭据，原录音与转写涉及个人信息时，控制存储副本、访问权限和保留时间。