页面字幕缺字
切到声音识别
有的平台只把部分字幕画在视频画面里，或者页面结构改动后无法读取。只要标签页音频可捕获，就可以改用声音识别。
Caption input
网页原生字幕提取与语音识别有什么区别
原生字幕提取是“读取页面已经有的文字”，语音识别是“听当前标签页的声音，再生成文字”。两者最终都能显示原文和中文译文，但输入来源、延迟和容易出错的地方完全不同。
| 比较项 | 网页原生字幕提取 | 标签页语音识别 |
|---|---|---|
| 输入 | 播放器或网页已经生成的字幕文本 | 当前标签页正在播放的音频 |
| 能否凭空生成原文 | 不能，页面必须先有可读字幕 | 能，从声音识别出原文 |
| 主要延迟 | 页面发布字幕的时间加翻译时间 | 语音分段、识别和翻译时间 |
| 准确率取决于 | 平台字幕质量、页面结构和更新方式 | 音质、口音、语速、背景声、模型和语言选择 |
| 适合 | 已有规范字幕的视频、课程和会议 | 没有字幕的直播、生放送、语音房和对谈 |
Auto mode
自动模式先找字幕，找不到再识别声音
- 检查页面是否存在可读字幕
页面自带字幕且扩展能读取时，直接采用这条文字路径，避免重复识别声音。
- 没有可读字幕时使用标签页音频
直播或生放送常常没有原生字幕；此时从当前标签页声音识别原文，再生成简体中文译文。
- 稳定字幕发布后不静默改写
识别中的片段可以逐步变完整；一旦发布为稳定原文和稳定双语字幕，后续不会偷偷覆盖历史内容。
When to switch
什么时候需要手动切换
识别受噪声影响
优先网页字幕
背景音乐很响、多人抢话或口音较重时，如果平台已经提供质量更好的字幕，直接读取通常更稳。
完全没有输出
按输入路径排查
先确认页面是否真的有可读字幕；需要识别声音时，再检查活动标签页、播放状态、模型或云端账户。
查看音频排查步骤两条路径都不会使用麦克风
原生字幕路径读取当前网页字幕；语音识别路径只处理你主动启动的当前标签页音频。选择本地或云端处理会改变音频去向，详细区别见本地字幕和云端字幕对比。