把长音频变成精修级中文字幕。
音频/视频 → 人声分离 → VAD + ASR → 稳定化 → LLM 纠错翻译 → 成品 SRT
以主播游戏实况（日语）为例：
时间轴——原生 Whisper 输出 vs 稳定化后的 raw 轴：
# 原生 Whisper（幻觉 + 磎片 + 超长句）
00:00:24.500 --> 00:00:27.800 ご視聴ありがとうござい ← ASR幻觉
00:00:27.800 --> 00:00:29.100 あの、なんだっけ?
00:00:29.100 --> 00:00:30.200 メミじゃなくて、 ← 碎片
00:00:30.200 --> 00:00:31.500 ユメじゃなくて ← 碎片
00:00:34.800 --> 00:00:42.000 じゃあなんかがなんかして 最後の遺産が時が来てそれを得て ← 超长句
# 稳定化后（幻觉丢弃、碎片合并、超长句拆分、时间精准）
00:00:27.800 --> 00:00:29.000 あの、なんだっけ?
00:00:29.600 --> 00:00:31.200 メミじゃなくて、ユメじゃなくて
00:00:34.800 --> 00:00:37.850 じゃあなんかがなんかして
00:00:38.144 --> 00:00:42.067 最後の遺産が時が来てそれを得て
纠错翻译——结合音频/画面语境：
| raw ASR | 纠错翻译后 |
|---|---|
ほんまに?新書に変わってる。あ、ほんとだ。 |
真的吗？换成新衣服了。啊，真的耶。 |
ネジがやっぱ分かりやすいな |
发条果然很明显呢。 |
ごめんごめん 怖どらないで |
抱歉抱歉，别害怕。 |
核心特色：
- 精准时间轴——稳定化后的 raw 轴低幻觉、高召回：BGM/静默段不会产生幽灵字幕，真实语音不会被吞，时间边界精确到帧。
- 翻译harness——高度优化的prompt，包含自维护的知识库，主播常用术语、角色名、游戏专名会自动积累并应用到后续窗口，越跑越准。
如果觉得好用，欢迎点个 Star ⭐
Windows 用户可以使用 FineSub Desktop 图形客户端来创建任务、管理资源和查看日志；它复用同一套 pipeline，不取代命令行。从 Releases 下载 FineSub-Desktop-<版本>-Setup.exe 安装；或下载 finesub-full-<版本>-win-x64.zip 解压即用（portable，所有数据留在解压目录内）。
⚠️ desktop版相较命令行cli会少一些功能，且更可能有bug。如出现问题可尝试改用cli。cli不会用或有什么疑问可以让ai agent辅助使用。
用 uv 安装：
winget install astral-sh.uv # 没有 uv 的话先安装 uv（装完需开新终端再跑下一条）uv tool install finesub装的是一个轻量壳：首次运行自动装好隔离的 Python 运行环境（Python 都无需预装）和
FFmpeg，模型按需下载；一切落在 %LOCALAPPDATA%\FineSub 下，finesub uninstall
即可卸载干净，与 Desktop 共享设置和 API key。子命令与细节见 cli/README.md。
一条命令出字幕：
# 音频，视频输入都可
finesub <输入名>.mp4 --language ja --extra-info "主播四月一日，原神直播切片" --stage final-srt --knowledge update
# URL 也行
finesub "https://www.bilibili.com/video/BVxxxx" --stage final-srt --name "四月一看PV"其中：
- 不传
--language时自动检测语言； --extra-info提供背景信息（主播名、游戏名、关键专名等），能显著提升纠错准确率，非必须。- 不传
--stage则默认停在 raw SRT（ASR结果，不调 API）；加--stage final-srt跑 LLM 纠错翻译（需要配好 Gemini API key——Desktop 在设置页填，CLI/源码写.env；推荐再配上 Exa API key；都是免费的，见 环境配置）。 - 传
--knowledge update可在纠错后自动更新本地知识库（主播术语、角色名等），下次跑同一主播时自动注入。不加则不更新。 - 传
--name以指定和覆盖输入名。 - 显存够的话可以额外传
--gpu-budget-gb 8，语音识别阶段会并行提速。如果卡比较好可传12或16，但边际收益有限。
跑完后去 out/<输入名>/ 里找字幕：<输入名>.srt（成品）和 <输入名>-raw.srt（未纠错原文）。
开发者要用仓库开发版、或想复用已有 Python/pip 环境的话，见 仓库安装（uv 与 pip 两种流程；本页命令把 finesub 换成 asr-pipeline 即可）。
- 人声分离——去掉 BGM 和音效，只留人声。
- VAD + ASR 对齐——切分语音段、跑 Whisper、输出带时间戳的逐句转写。
- ASR 稳定化——去噪、合并碎片、丢弃幻觉，输出干净且时间精准的 raw 轴。
- LLM 纠错翻译——结合音频/画面语境纠正误听、翻译成中文、进一步合并和丢弃，输出成品字幕。
- 多模态纠错：结合音频/画面纠正 ASR 误听（专名、同音词、口误）
- 翻译成自然中文（不是机翻味）
- 合并碎片成完整句（严守时长/字数门槛）
- 丢弃复读幻觉、套话、无意义填充词
- 输出置信度标注，低置信行建议人工核对
- 自动积累知识库：主播术语、角色名、常用表达会写入本地知识库，下次跑同一主播时自动注入，越用越准
LLM路线/档位、知识库、搜索代理、token 预算等细节见 LLM Harness 行为 和 知识库说明。
# 多个输入
finesub batch a.wav b.mp4 --stage final-srt --language ja
# JSONL manifest
finesub batch --manifest tasks.jsonl --knowledge update（源码安装对应 python -m asr_playground.batch。）
单项失败不影响其余，重跑即续跑。
以 data/input.mp4 跑到 --stage final-srt 为例：
| 文件 | 说明 |
|---|---|
input-raw.srt |
未纠错原文 SRT |
input.srt |
成品 SRT（纠错翻译+后处理） |
全部产物归到 out/input/ 一个目录下。完整产物树见 README_DEV.md。
| 阶段 | 需要 |
|---|---|
| 人声分离 + ASR | NVIDIA GPU（≥4GB 显存）、≥8GB 内存 |
| LLM 纠错翻译 | 无需 GPU；≥4GB 内存；ffmpeg（Desktop/CLI 自动提供；源码安装需自备并加入 PATH） |
无 GPU 时 ASR 回退 CPU（慢很多）。URL 输入 Desktop/CLI 开箱即用；源码安装另需 uv pip install yt-dlp。
- 环境配置——API key 配置
- 仓库安装——源码安装完整步骤（uv 默认 / pip 替代）
- patched CTranslate2——ASR 必需的补丁版 CT2（源码安装用）
- 开发者说明——架构、产物与调试
- LLM Harness 行为——LLM 运行时行为
- 知识库说明——知识库
- ASR 稳定化——ASR 稳定化规则
- 测试说明——测试
- 知识库样板——迷你骨架条目
代码 MIT；src/llm/prompt_templates/ 下的 prompt 明文 CC BY-SA 4.0。