我一直在弄一个输入视频然后输出精美字幕的项目 
最开始就很简单的，用whisper直出，然后人工切，差不多能打个30分，顶多省去自己听的步骤 
后来了解后用上whisperX，后来换到stable-ts，感觉有个70分，起码很多地方只需要切开，不需要自己划范围了 
然后后来有看到一个项目，试了一下那个项目，是：音频分离-人声分离-whisperX听写-NLP分句-标点分句-连词分句-LLM分句-AI分块粗翻-AI分块润色-对齐-输出，这时候就感觉有个85分的意思，你要是要求很低的话，直接给人看也没问题了 
之后在这个项目基础上魔改了很多，一点点往上加功能，一开始把whisperX换成stable-ts，然后开启VAD，后来加上人声频段识别，再后来又加声学对齐，然后又打算力大砖飞把什么标点分句，NLP分句，连词分句统统换成LLM分句，感觉有个95分的意思了 
这几天，尤其是开源后，又改了很多...