八项门禁全过,开场问句被剪掉半句。两周后,剪停顿的脚本又悄悄吃掉了三个声母。

半个多月前,我们做一期讲月相的儿童科普片。一晚上从 v3 迭代到 v3j,每一版都在修一个门禁漏洞:暗棕色带、拉伸出来的模糊边、字幕闪烁、能被绕过的发布门。每一版的机器门禁都是全绿。

我自己点开一听,开场的问句少了半句:「有时弯」没了。切点在 4.40 秒,而这三个字在 4.30 到 5.10 秒之间。门禁检查了时间点,没有检查一句话有没有说完。那期最后的结论是「可听不可发」,没有发布。

当时的复盘写得很清楚:八项门禁全部通过,一项都没抓到;没有人听过音。

我以为这件事过去了。两周后,同样的问题换了一身衣服又来了一次。

对齐分数很高,可能是两边一起坏着

这一期讲的是下雪以后为什么特别安静。机器听审时,15 条口播和成片的波形对齐度都在 0.967 到 0.995 之间,顺序对、没有重叠,按老标准能过。

可语音识别有几处对不上:「小孔」听成了「遥控」,「外面」听成了「画面」。负责听审的 Agent 没有直接下结论,只标了精确到 0.1 秒的时间窗,请人去听。

第一反应是配音没念好,于是重新生成了这两句。编导顺着往上游查,才找到真正的原因:剪辑脚本在压缩过长的停顿时,保留了停顿的开头、丢掉了停顿的结尾,顺带把下一个字声母里能量很低的那一截也切掉了。x、w 这类声母本来就轻,一刀下去,「小」就变成了「遥」。

最容易让人放松警惕的是那个对齐分数。它比的是成片和剪辑后的配音片段,可片段在剪停顿时就已经坏了,两边一致地坏着,分数自然很高。所以现在的对齐要往上游追,一直追到原始的那条配音。

修了脚本,就要把它碰过的每一句都重做

第二个弯路出在修复范围上。修好的脚本只用在了重新生成的两句上,其余 13 句经过同一个脚本处理的,没有重新处理。复听那两句都过了,看起来问题解决了。

后来补做了一次全量的起音审计:拿原始配音和剪辑后的片段分别跑语音识别,再看切口前后的高频能量。结果又抓出一处确定被削掉的字,一个「就」被削掉约 35 毫秒,听起来像「又」。另有几处只在能量上可疑。

最终版本用修好的规则重新处理了全部句子,句首的留白也放宽了一点,配音稿和画面都没动。规则也就多了一条:处理脚本一旦改了,所有经过它的句子都要重新处理、重新审计,不能只修出问题的那几句。

语音识别的错,要看有没有规律

孩子声线的配音,语音识别本来就常常认错。我们的听审报告里记过一长串:湖和壶、暖和满、大雁和大燕,古诗里的人名更是常错。如果把每一个识别错误都当成口误,就会不停地误报。

所以判断方法是看规律。同音、近音不算口误,比如「新」和「心」,机器永远分不出来,只能交给人耳。但如果错误跨模型、跨时间窗都稳定出现,而且出错的字有共同的声学特征,比如都是低能量声母打头,那就是一条真线索,要往下追。

还有一次,机器怀疑「四摄氏度」被念成了「四十度」,建议重录。最后判断依据是音节数:两处都是四个音节,总长一秒出头,不像三个音节的「四十度」。挡门要有波形或音节数这类证据,不能只凭识别结果换了一个说法。

听审不只是听,还要看口播和画面谁先到

有一类问题根本不在音轨里。讲流星雨那期,开场问句是「流星雨是星星掉下来了吗?」,大约在 2.6 秒说完。可是写着答案的关键词角标,0.5 秒就开始淡入了。问题还没问完,答案先上了屏。

修改版把角标挪到了约 4.8 秒,等收获那句话开口以后才出。听审因此多了一项:抽帧核对口播和画面的时间关系,关键词不能早于问句的最后一个字。

有的事故出在进时间轴的那一步

还有一期讲松树的片子,配音整段变成了两倍速、高八度。原因是读配音文件时丢了采样率,24 kHz 的人声被直接当成 48 kHz 写进了时间轴。

修法是两条硬断言:配音进轴前必须重采样,并断言采样率一致;人声总时长必须等于各段配音之和,误差在 50 毫秒以内。这类问题机器查起来比人快,前提是你知道该让它查什么。

事实门拦下的,大多是孩子会学着做的危险

画面和口播还要过一道事实门。做下来我发现,它拦下的大多数不是「错」,是「危险」:

  • 讲用电安全的对比镜里,干手和湿手都碰到了开关。判不过,要求双手停在开关前,中间打叉。压缩时长的时候,安全那句话是底线,不能删。
  • 讲冬眠时,口播说「大雁」,画面里却是另一种雁,后来换掉了。
  • 讲流星雨时,口播不报具体的日期和时刻;发光主要是因为空气被挤得很热,不说主要靠摩擦。片中用的唐诗,对照可查的原文逐字核过。
  • 讲雪后安静时,冰面被画成了湿亮的水波纹,和口播里的「硬壳」对不上,必须改。

最近我们在试一条新的支线:用第一人称视角做历史上的发现现场。我当时的想法是:「有种情景再现的思路做视频不错,比如以第一人称视角去看到牛顿当时被苹果砸,发现万有引力的现场。……就很有代入感。」

事实把关的 Agent 马上指出,「苹果砸头」是后人的传说。可它自己也说错了,把几处不同来源的记载张冠李戴地算在了同一个人头上,是编导去查了原文才纠正过来。把关的人自己也要被把关,口径要以查得到的原文为准。物理上也改过一处:月亮不是「因为有拉力拉着所以没掉下来」,而是一直在往下掉,只是横着跑得飞快,才一直绕着地球转。

这条支线现在只有三份大纲过了事实门,选了史料最清楚的一个题目先试,还没有成片。

三道门各管什么,又会漏过什么

机器能管的机器会漏的最后靠谁
音频采样率、时长、对齐、识别差异两边一起坏的对齐,同音字人耳
画面安全边距、字号层级、冻帧、黑帧物种、服装、口画先后对着成片静帧看
事实来源是否齐全把关人自己记错查原文

所有门的结论都分三档:硬问题挡门,建议不挡门,机器定不死的写「请人耳扫某秒到某秒」,不写成结论。

这一期最终版本的听审没有挡门问题,我也说了「准备好了,就预约发布」。可我很清楚,这次能抓住,靠的是听审没有把识别错误一笔带过,靠的是编导愿意往上游多查一步。门禁可以一直加厚,但它们只能检查我们已经想到的问题。剩下的那一部分,目前还得靠人去听、去看、去查原文。