Buzz 转录后处理指南：字幕 Resize 重排、结束时间扩展与多格式导出
【免费下载链接】buzzBuzz transcribes and translates audio offline on your personal computer. Powered by OpenAI's Whisper.项目地址: https://gitcode.com/GitHub_Trending/buz/buzz
导读
本文围绕 Buzz 的转录后处理能力展开，讲解如何对已生成的音频/视频转录结果进行编辑、重排与导出。你将掌握三条核心技能：一是使用 Resize 工具对字幕重新组合（含词级时间戳模式下的按标点/按长度合并），二是使用"Extend end time"延长字幕在屏幕上的停留时间，三是将转录导出为 TXT、SRT、VTT 三种格式。文中所有功能均对应当前仓库的实际实现，并给出源码级佐证，可直接对照 transcription_resizer_widget.py 等文件深入阅读。
一、进入编辑视图：双击转录记录
当音频或视频文件的转录完成后，转录结果会以列表形式展示在主窗口。要开始编辑与导出，只需在转录列表中双击目标转录记录，即可打开转录查看器窗口。
这一交互在主窗口代码中有明确实现：TranscriptionTasksTableWidget发出doubleClicked信号，由主窗口的on_table_double_clicked方法接收并校验后打开查看器（见 main_window.py）。查看器工具栏按顺序提供Export（导出）、Translate（翻译）、Resize（重排）、Identify Speakers（说话人识别）、Find（查找）等按钮，其中 Resize 按钮的构建位于 transcription_viewer_widget.py，点击后弹出TranscriptionResizerWidget对话框（对应 on_resize_button_clicked）。
二、Resize 工具概览：两种能力模式
转录查看器中的Resize按钮会打开一个独立对话框，其中包含四大功能区（见 TranscriptionResizerWidget）：
- Settings（设置）：控制重排结果以何种方式保存；
- Extend end time（扩展结束时间）：延长字幕段结束时间；
- Resize Options（重排选项）：按目标长度拆分字幕段；
- Merge Options（合并选项）：将多个字幕段合并为符合规则的字幕。
Resize 工具的能力范围取决于转录生成时是否开启了word-level timings（词级时间戳）选项：
| 转录生成时的设置 | 可用的重排能力 |
|---|---|
| 已启用词级时间戳 | 可按标点、按最大长度、按静音间隙合并重组为字幕，可自由组合多种拆分规则 |
| 未启用词级时间戳 | 仅能指定"期望字幕最大长度"将长段拆分 |
这一区分在源码中体现为：当transcription.word_level_timings == 1时，"Resize Options"分组被禁用并提示"Available only if word level timings were disabled during transcription"（仅当转录时未启用词级时间戳时可用），而"Merge Options"分组则恰好相反，仅在词级时间戳已启用时可操作（见 transcription_resizer_widget.py 与 L326-L328）。
词级时间戳由转录任务配置中的word_level_timings字段控制，默认值为False（见 transcriber.py），在数据库中对应transcription表的word_level_timings BOOLEAN DEFAULT FALSE列（见 schema.sql）。界面侧则通过文件转录表单中的"Word-level timings"复选框设置（见 file_transcription_form_widget.py），CLI 模式下由--word_timestamps参数传入（见 cli.py）。
保存方式设置：新建转录还是就地覆盖
对话框顶部的Settings区只有一个选项——"Create new transcript"（新建转录）复选框，默认勾选。其行为如下：
- 勾选（默认）：重排/扩展/合并的结果会复制原转录生成一条新的转录记录并写入结果，原转录保持不变，方便对比；
- 取消勾选：直接用新片段替换原转录的片段，就地更新。
该偏好会持久化保存到设置项TRANSCRIPTION_RESIZER_CREATE_NEW_TRANSCRIPT（见 on_create_new_transcript_toggled）。保存逻辑集中在save_segments方法：勾选时调用copy_transcription+update_transcription_as_completed，未勾选时调用replace_transcription_segments（见 L337-L352）。相关行为均有测试覆盖，见 transcription_resizer_widget_test.py。
三、Merge Options：基于词级时间戳的字幕重组
当转录开启了词级时间戳时，Merge Options区提供三种可自由组合的合并规则，点击Merge按钮后后台线程即开始重组。
3.1 按静音间隙合并（Merge by gap）
- 勾选后，两个相邻片段之间的静音时间若小于设定阈值（默认 0.2 秒），将被合并为同一条字幕；
- 底层对应 stable-whisper 重组规则中的
mg={gap}，gap 为秒数。
3.2 按标点分割（Split by punctuation）
- 勾选后，字幕将优先在句号、问号、感叹号等标点处切分，避免字幕在句中被硬切；
- 默认的标点规则字符串为：
.* /./. /。/?/? /？/!/! /！/,/,，即支持英文句点、中文句号、问号（中英文）、感叹号（中英文）与逗号； - 底层对应重组规则
sp={rule}。
3.3 按最大长度分割（Split by max length）
- 勾选后，任何超过指定字符数的字幕段都会被拆分为多条，默认上限为 42 个字符；
- 底层对应重组规则
sl={length}。
3.4 合并规则的组合与覆盖
三种规则的组合会编译为一条 stable-whisper 风格的regroup_string，由on_merge_button_clicked动态拼装（见 L430-L459）：
- 仅按间隙合并时：
mg=0.2； - 间隙合并 + 按长度分割时：
mg=0.2++42+1； - 各规则之间以
_连接，例如同时启用三项时形如mg=0.2++42+1_sp=..._sl=42。
此外，该规则字符串允许通过环境变量BUZZ_MERGE_REGROUP_RULE整体覆盖，便于高级用户或自动化脚本注入自定义重组规则（见 L459）。
3.5 底层处理流程与语言适配
合并操作在后台QThread中执行（见 TranscriptionWorker.run），核心流程为：
- 从数据库读取该转录的全部片段；
- 将每个片段的起止时间从毫秒换算为秒，连同文本构造成词级数据结构；
- 调用 stable-whisper 的
transcribe_any，传入regroup_string完成重组，重组后的结果再换算回毫秒写入数据库。
值得注意的语言细节：代码内置了不使用空格分隔词的语言集合NON_SPACE_LANGUAGES = {"zh", "ja", "th", "lo", "km", "my"}（中文、日文、泰文、老挝文、高棉文、缅甸文），这些语言的词之间不会插入空格，而其他语言会在词后追加空格（见 L40 与 L57-L73）。同时，重组会以句子结尾标点（.,!,?,。,！,？，见SENTENCE_END正则）为自然断点预分段，保证重组素材的语义完整性。
3.6 关于音频静音分析的说明
原文档说明：如果音频文件仍存在于系统中，词级时间戳合并还会分析音频中的静音，以提升字幕时间轴的准确性。这是该功能的设计目标。需要补充的是，从当前仓库源码看，transcribe_any调用处的vad与suppress_silence参数当前被硬编码为False，并留有 TODO 注释说明 VAD 与静音抑制在 Mac/Windows 编译版中无法正常工作（见 L104-L114）。因此该静音分析属于"设计中启用、当前版本被暂时关闭"的能力，使用时请以实际运行行为为准。
四、Resize Options：无词级时间戳时的拆分
如果转录未开启词级时间戳，"Merge Options"区不可用，此时只能使用Resize Options区：
- Desired subtitle length（期望字幕长度）：数值输入框，范围为1～100 个字符，默认 42（见 L256-L259）；
- 点击Resize后，每个超过该长度的字幕段会被拆分成多条更短的字幕。
其实现位于on_resize_button_clicked（见 L360-L396）：先把数据库片段转成srt.Subtitle，再调用srt_equalizer.split_subtitle(..., method="punctuation")优先按标点拆分，最后过滤掉起止时间相同的空段并保存。测试用例test_resize_updates_in_place_when_unchecked验证了长句会被拆成多条字幕段（见 transcription_resizer_widget_test.py）。
五、Extend end time：延长字幕停留时间
该功能自 Buzz1.4.3起提供，用于让字幕在屏幕上显示更久。操作方式：
- 在"Extend end time"区域的输入框中填写要延长的秒数（默认 0.2 秒，界面默认值为
"0.2"）； - 点击Extend endings按钮。
实现逻辑位于on_extend_button_clicked（见 L398-L428）：
- 输入的秒数会先乘以 1000 转换为毫秒（内部时间单位）；
- 对每个片段，将结束时间加上该增量；
- 安全性保证：若延长后的结束时间越过下一条片段的开始时间，则自动截断为下一条的开始时间（
new_end = min(new_end, next_start)），从而保证字幕段之间绝不重叠，时间轴始终合法有序； - 输入非法数值时回退到默认 0.2 秒，不会导致程序异常。
六、导出为字幕与纯文本
转录查看器工具栏的Export按钮提供导出菜单。菜单项按"格式 - 内容"命名，例如TXT - Text、SRT - Text、VTT - Text；若转录已生成翻译，还会出现对应的XXX - Translation菜单项，用于导出译文版本（见 export_transcription_menu.py）。
6.1 支持的三种输出格式
导出格式定义在OutputFormat枚举中，共三种（见 transcriber.py）：
| 格式 | 说明 |
|---|---|
| TXT | 纯文本，无时间戳；相邻字幕段间停顿超过阈值时自动分段 |
| SRT | 标准 SubRip 字幕，序号 +HH:MM:SS,mmm时间戳，毫秒以逗号分隔 |
| VTT | WebVTT 字幕，文件头为WEBVTT，毫秒以点号分隔 |
6.2 写入逻辑要点
实际写入由write_output完成（见 file_transcriber.py）：
- TXT 模式：段落分段时间间隔由环境变量
BUZZ_PARAGRAPH_SPLIT_TIME控制，默认 2000 毫秒——即前一段结束与后一段开始间隔超过 2 秒时插入空行分段； - SRT/VTT 模式：逐段输出序号与时间戳，时间戳由
to_timestamp统一格式化（见 L232-L239）。
导出时默认保存路径由转录记录按格式推导（get_output_file_path），随后弹出系统保存对话框，确认路径后写盘。
七、常见操作流程小结
- 转录完成后，在主窗口双击目标转录记录打开查看器；
- 点击工具栏Resize按钮打开重排对话框；
- 视转录是否带词级时间戳，选择：
- 带词级时间戳→ 在 Merge Options 中勾选"按间隙/按标点/按长度"并点击 Merge；
- 不带词级时间戳→ 在 Resize Options 中设定目标长度并点击 Resize；
- 如需字幕停留更久，在 Extend end time 中填写秒数并点击 Extend endings；
- 返回查看器，点击Export选择 TXT/SRT/VTT 保存结果；
- 若勾选了"Create new transcript"，原转录保留、新结果以新记录呈现，可随时对照。
八、相关代码与测试索引
- 重排/合并/扩展对话框实现：transcription_resizer_widget.py
- 转录查看器与 Resize 按钮入口：transcription_viewer_widget.py
- 导出菜单实现：export_transcription_menu.py
- 输出格式与写入逻辑：file_transcriber.py、transcriber.py
- 词级时间戳开关（GUI/CLI/数据库）：file_transcription_form_widget.py、cli.py、schema.sql
- 重排功能测试：transcription_resizer_widget_test.py
【免费下载链接】buzzBuzz transcribes and translates audio offline on your personal computer. Powered by OpenAI's Whisper.项目地址: https://gitcode.com/GitHub_Trending/buz/buzz
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
