基于 Transformer 架构的端到端语音识别系统
自动检测语音 · 毫秒级时间戳 · 输出标准 SRT 格式
本引擎采用 Azure Cognitive Services 语音识别后端，通过 REST API 上传音频数据，服务端完成 VAD（语音活动检测）、声学模型推理、语言模型解码和强制对齐，最终输出带有精确时间标注的 SRT 字幕文件。
支持的输入格式包括 MP3（MPEG-1 Audio Layer 3）、WAV（PCM 编码）和 MP4（音频轨道提取）。文件大小上限 200MB，时长上限 2 小时。建议在上传前确认音频轨道存在且可正常播放。
在清晰人声条件下，字级时间戳误差在 ±50ms 以内，句级时间戳误差在 ±100ms 以内。系统使用强制对齐（forced alignment）技术，在声学模型解码后对每句话的起止时间做二次校准。
当前模型针对单人清晰语音优化。多人交替说话时可能出现说话人切换处的时间断裂；背景音乐较重时会降低信噪比，导致漏识别或误识别。建议使用前做降噪预处理。
输出文件使用 UTF-8 编码，兼容所有主流播放器和剪辑软件。时间格式遵循 SRT 标准：HH:MM:SS,mmm --> HH:MM:SS,mmm。