NVIDIA Parakeet每30秒硬补句号:80%转述被无声截断

shauntrennery · x · 2026-11-16

南非电台剪辑服务 locl 发现一个隐蔽的语音模型行为缺陷:他们用 NVIDIA Parakeet 按 30 秒窗口逐段转述音频,每个窗口独立转写、模型不知道前后窗口的存在,于是它会把每个窗口都当成完整段落处理。

实测 3000 个窗口:80% 的窗口最后一个词以句号/问号/叹号结尾,84% 恰好在 30.0 秒处被切断(话语其实还在继续),99% 首词大写。也就是说模型在话语中途硬补了一个不存在的句号,下一个窗口又以大写开头假装新句子开始。

由于 locl 的剪辑流水线完全信任转述的标点来判断句子边界,导致约三分之一的音频片段在句子中间戛然而止。文章还复盘了流水线中三个相信了这个幻觉标点的环节,并说明他们如何发现与修复问题。

原文链接 →

「Infra」频道最新

更多「Infra」频道 AI 资讯 →