56 lines
1.8 KiB
Markdown
56 lines
1.8 KiB
Markdown
---
|
||
title: "OverlapAwareChunking"
|
||
type: concept
|
||
tags: ["voice-ai", "audio-processing", "transcription", "chunking"]
|
||
last_updated: 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：
|
||
1. 词在切分点被切断 → 产生乱码/重复词
|
||
2. 最后一块音频尾部被截断 → 内容丢失
|
||
3. 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
|
||
|
||
## Related Sources
|
||
- [[engineering-voice-ai-integration-engineer]]
|