播客与音频翻译：语音转写再翻译的流水线

播客做外语版，最容易的错觉是「直接丢给转写工具就行」。实际跑一遍会发现，一期 45 分钟的双人访谈，转写稿里有一百多处需要人工看，其中至少二十处会直接改变句意。 播客翻译的难点不在翻译，在转写。

一、音频转写的四个真实坑

• 口音。同一期节目里两位主讲，一个美式一个英式，识别错误率能差出一倍。更麻烦的是错误集中在专有名词上——人名、地名、公司名的识别错误率远高于普通句子。
• 多人对话。播客几乎都是两人以上轮流说话，识别引擎在语速接近或重叠时会串行输出，把两个人的话接成一句。这是结构性的，单靠调参数解决不了。
• 行业术语。科技、医疗、金融类播客的术语密度远高于日常对话，而通用识别模型对这些词几乎没有训练。
• 数字与单位。「三十七点二」识别成「372」，或反过来。播客里出现频率最高的三类信息就是数字、时间、价格，这恰恰是错得最多的。 应对办法是先分离人声再转写。有背景音乐或混响的节目，先做一次人声分离，识别率会有肉眼可见的提升；这一步比在识别参数上反复调优有效得多。

二、现在可行的两条技术路线

目前做播客转译大致两条路：

• 通用大模型 + 长上下文。把音频或分好的片段交给能处理长音频的模型，直接产出结构化的转写与译稿。这类路线在 2024 年之后明显变好，很多技术博客里已有完整的实操记录，比如博客园那篇讲通义千问配合 Podcast 做 AI 转译与 NotebookLM 的笔记，走的就是「先用长上下文模型转写，再喂给下游工具做整理」的组合。
• 专用转写服务 + 翻译模型。转写与翻译分开两步，各自选型。好处是可控性更强，坏处是两步之间的错误会叠加。 实务建议：内容有长期留存价值就用专用转写 + 人工校对；只是要做一期快闪内容，用长上下文模型省事。不要用快闪的标准去做要归档的资产。

三、转写之后：分段与结构

播客译文和字幕译文最大的不同是不需要对轴，但需要分段。原始转写稿往往是一大段没有换行的文字，直接翻译出来谁也读不下去。 分段的做法是让转写结果带上说话人标签和句级停顿，然后按说话人轮次切段。带说话人标签的稿子还有一个额外好处：校对时能一眼看出错误归属，判断该改哪一段。 字幕那种「单行不超两行」的排版规则在这里不适用，取而代之的是另一套：每段控制在三到五句，段落之间明确换段，段落开头用说话人名。

四、校对的顺序和字幕一样

校对不要顺着读。顺着读会跳过重复的错误，而播客转写里重复错误最多。 有效的顺序是：

• 第一遍只对数字。把所有金额、时间、百分比、型号单独列一张表，逐个对原音。这一遍能拦掉大部分致命错误。
• 第二遍只对人名地名机构名。建对照表，全集统一。
• 第三遍才通读看流畅度。 前两遍是查事实，第三遍是查表达，混在一起做等于三遍都做不好。术语建表的做法和 专业术语翻译准确度怎么提 里的可以复用。

五、发布时的三个决定

• 要不要保留原文。保留原文对 SEO 和可信度都有帮助，代价是页面更长。
• 译文单独成页还是附在原文后。单独成页利于传播和搜索，附在原文后利于对照。两种做法各有适用场景，选一种并保持一致。
• 音频是否要分段发布。一期 45 分钟切成三段分别发，完播率通常更好，但要在简介里说明顺序。

小结

播客翻译的难点在转写不在翻译：口音、多人抢话、行业术语、数字单位是四个主要坑，先分离人声再转写收益最大。技术路线上，长期资产用专用转写加人工校对，快闪内容用长上下文模型。转写后必须带说话人标签并按三到五句分段。校对分三遍：只对数字、只对人名地名机构名、最后才通读。发布前先决定原文与译文的组织方式。 视频类内容见 视频字幕翻译流程；音频导出格式的问题见 短视频字幕烧录与外挂；不同语言版本的组织方式见 专业术语翻译。

来源说明：本文参考了博客园《通义千问-podcast 播客 AI 转译与 NotebookLM》（https://www.cnblogs.com/wintersun/p/18352159）中关于「先由能处理长音频的大模型完成转写，再把转写结果交给下游工具做整理与二次加工」这一两段式技术路线。本文未引用该文中的具体模型版本、参数配置与效果数据。本文中的四个转写坑、先分离人声再转写的处理顺序、带说话人标签分段、三遍校对法与发布时的三个决定为作者基于音频内容生产实践的整理。