页面字幕缺字
切到声音识别
部分平台只把字幕绘制在视频画面里，页面结构变化后也可能读取失败。标签页音频可捕获时，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
两种方式的差别在于文字从哪里来：原生字幕提取读取页面已有的文字，语音识别从当前标签页的声音生成文字。两者都显示原文和中文译文，输入来源、延迟和易错点不同。
| 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 |
| 页面没有字幕时 | 不能生成原文，必须先有可读字幕 | 能，从声音生成原文 |
| 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
自动模式先读取字幕，读取失败再识别声音
- 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，不再从声音重复识别。
- 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
识别中的片段会逐步变完整。发布为稳定原文和稳定双语字幕后，历史内容不会被覆盖。
When to switch
需要手动切换的情况
识别受噪声影响
优先网页字幕
背景音乐响、多人同时说话或口音较重时，识别难度上升。平台提供质量更好的字幕时，优先直接读取。
完全没有输出
按输入路径排查
先确认页面是否有可读字幕。需要识别声音时，再检查活动标签页、播放状态、模型和云端账户。
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。