英文字幕要对齐到单词，Parakeet TDT 能把时间一起交出来

一段英文课已经识别成文字，做字幕时却还要把每句话拉到正确位置。要制作逐词高亮，整段时间甚至还不够。NVIDIA 的 Parakeet TDT 0.6B v2 值得关注的一个具体能力，就是在识别文字之外，把词、字符和片段的时间信息一并返回。

这里讨论的是英语型号 v2。后续型号的语言范围不应套过来，它也不是给普通话视频直接配字幕的推荐。

一个结果里，有三种定位尺度

模型卡的时间戳示例在转写时启用 timestamps，随后分别读取 word、char 和 segment。单词记录里可以看到开始、结束以及对应文字；片段记录则适合把一组连续内容作为整体定位。

这三层信息对应的工作不同。想点击一句话回到原音频，可以使用片段范围；需要检查某个专有名词，就能进一步看词的位置；逐词高亮或更细的对齐，则需要更小的时间单元。识别文本因此不仅能被阅读，还能变成可导航的录音索引。

但时间戳不是完整字幕文件。应用还需要决定每行放多少文字、怎样断句、两行之间如何停留，并按目标软件的字幕格式导出。模型提供的是对齐材料，字幕排版仍是一层独立工作。

用一段英文课程作教学情境，先把音频准备为16kHz单声道的 WAV 或 FLAC，再按官方示例得到文字及时间信息。随后可以将相邻单词组合成一条字幕，并用首尾词的时间确定候选范围。

这里最值得保留的，不只有最终字幕，还有原始词级结果。编辑改掉一个术语时，可以沿词级位置回听；如果把几条字幕合并，也有机会重新计算显示范围。相比只保存一篇识别后的文章，这种结果更适合继续进入视频制作环节。

实际剪辑仍要回听检查。说话连读、背景音乐或停顿会影响识别与边界；一条时间记录存在，不代表字幕已经贴合所有观看节奏。尤其在快速讲话处，自动对齐和舒适阅读可能需要不同的断句。

模型卡展示过大批量设置下的吞吐量指标，也描述了较长音频处理范围。这些数据有对应硬件、批量和测试条件，不能换算成“个人电脑一分钟处理多少小时”的承诺。选用时，输入长度、设备和运行框架都要对齐。

这个模型采用 CC BY 4.0 许可，使用和分发时应留意署名等条件。对于已经有字幕处理链路的人，最有用的检查项是：官方返回的词和片段信息，能否直接成为现有编辑器需要的中间数据。确认这一点，比只比较一段识别文字更接近真正的字幕工作。