1.8 KiB
1.8 KiB
title, type, tags, last_updated
| title | type | tags | last_updated | ||||
|---|---|---|---|---|---|---|---|
| OverlapAwareChunking | concept |
|
2026-05-02 |
OverlapAwareChunking（重叠感知分块）
Definition
Overlap-Aware Chunking 是将超长音频（>30 分钟）切分为多个重叠片段再分别转录的技术。重叠窗口（默认 30s）在合并阶段被裁剪，防止词边界在切分处被切断而产生重复或遗漏。
The Problem
Whisper 类模型有最大输入时长限制（通常 30 秒到 10 分钟，取决于模型）。超出限制的音频如果直接截断，会导致：
- 词在切分点被切断 → 产生乱码/重复词
- 最后一块音频尾部被截断 → 内容丢失
- 丢失跨块语义连贯性
The Solution
原始音频（120 分钟）
↓ 分块（每块 30 分钟，重叠 30 秒）
chunk_0000: [0:00 - 30:30]
chunk_0001: [30:00 - 60:30] ← 重叠 30 秒
chunk_0002: [60:00 - 90:30] ← 重叠 30 秒
...
↓ 逐块 FasterWhisper 转录
↓ 合并（裁剪重叠区域）
最终转录文本（无重复/遗漏）
Key Parameters
| 参数 | 默认值 | 说明 |
|---|---|---|
chunk_duration |
1800s（30分钟） | 每块时长 |
overlap |
30s | 重叠窗口大小 |
| 合并时裁剪 | 30s | 从第二块开始，裁掉前 30 秒 |
Critical Insight
"Overflow is silent and corrupts output without error." — 溢出无声损坏输出
分块策略的错误不会抛出异常，只会在最终合并的转录文本中出现乱码/重复/遗漏，难以事后发现。
Related Concepts
- FasterWhisper — 分块音频的转录执行方
- VoiceActivityDetection — VAD 过滤在分块前执行效果更佳
- StructuredTranscriptJSON — 分块合并后结构化输出的最终格式