《军事科技》栏目 · 从原始素材到终版文稿的六步流水线
把视频每秒截一张图（约 1600 张），同时把音轨单独分离出来（16kHz 高清音频文件）。
用本地 AI 模型逐帧识别屏幕上的字幕文字，再自动去除重复行（相邻帧字幕相同），得到约 700 行带时间戳的 B稿。
B稿 = 播出时屏幕上真实打出的字，是最贴近播出版的文本。
从编导定稿中自动提取武器型号、人名、机构名等专业术语。先用规则扫（数字+字母组合等），再让 AI 补充。
产出的热词表会喂给下一步语音识别，帮它认准专业词汇（比如"萨德"而不是"撒的"）。
术语会累积到词典，做过的期数越多，识别越准。
把分离出的音频上传讯飞语音识别，加载热词表，把主持人/解说/专家说的话转成带时间戳的文字。
ASR 是口语实况，与 B稿（屏幕字幕）内容重叠但形态不同——字幕是精简书面语，语音是完整口语。
把 B稿（字幕文字）和 ASR（语音文字）逐行交叉比对：
• B稿为主（屏幕实打字幕，与播出最一致）
• ASR 作为参照——如果字幕 OCR 有漏字/错字，ASR 能帮忙发现
• 专业术语以 B稿/A稿为准，语音识别的同音异写不采纳（如"斯泰尔"不能被改成"斯太尔"）
产出融合B稿：碎句+密集时间戳格式，行数与原 B稿完全一致。同时产出 CSV 留痕记录，标注哪些行做了修改。
让 AI 读 A稿的 Word 格式，识别出每一段是什么角色（导视 / 主持人1 / 解说2 / 专家3 / 隔断 等），但不碰正文内容，只输出结构骨架。
骨架生成后由制片人肉眼核验（确认段落归属无误、没有真人姓名泄露），核验通过才用于下一步。
第一步：段落归拢 — 把融合B稿的 700 行碎句，按照 A稿的骨架结构，归到对应段落里（哪些行属于【解说1】、哪些属于【主持人2】）。AI 做语义对齐判断，但文字 100% 来自融合B稿。
第二步：加标点 — 碎句拼起来后可能全是逗号。让 AI 按语义断句，在合适的位置加句号、问号等，让读起来更通顺。
第三步：套格式 — 按【导视】【主持人N】【解说N】【专家N】【隔断】格式，生成公文样式的 Word 文档。
机器守门员：每一段产出后，自动检查"去掉标点后的文字"是否和输入完全一致。不一致就自动重试，3 次都不过就回退到原始文本，标记"需人工"。绝不允许 AI 偷偷改字。
人工核验：制片人审核融合A稿 Word，重点看：段落归属对不对、有无空段（播出可能删了某段戏，属正常）、专业术语有无被同音字替换。
经制片人审核通过后，一期节目产出两份文稿：
给编导 — 公文格式 Word
按【导视/主持人/解说/专家/隔断】分段
段落结构与编导定稿一致
给爱德华 — 碎句+时间戳
格式：[XmYs] 文本
约 700 行，与字幕一一对应
| P1 抽帧 | 把视频拆成截图 + 音频 |
| P2 读字幕 | 让 AI 认截图里的字 → B稿（屏幕字幕版） |
| C1 取词 | 从 A稿抓专业术语，给语音识别"提词" |
| C2 听声 | 讯飞把音频变成文字 → ASR（口语版） |
| C3 融合 | 字幕 + 语音交叉验证，互相纠错 → 融合B稿 |
| 骨架 | AI 读 A稿格式，标出每段是谁的词（不碰内容） |
| C4 出稿 | 碎句归段 + 加标点 + 套公文格式 → 终版 Word |
| 质检 | 机器逐字比对 + 制片人肉眼审核 |