一款用于生成日本成人视频字幕的字幕生成器。
TL;DR
Whisper 在 JAV 上表现不佳，并不是模型不强，而是这个场景本身就很“反模型”。
JAV 音频噪声极多，充满喘息和非语言声音，它们在频谱上很像语言，容易诱发模型“听错”。
再加上 1–2 小时的超长音频和大量安静片段，Whisper 很容易丢失上下文，开始编造字幕。
激进的降噪和直接微调模型通常只会让情况更糟。
WhisperJAV 的思路很简单：
少处理、分场景、丢幻觉，宁可少转，也不乱转。
为什么 Whisper 在 JAV 上经常翻车？
Whisper 很强，但它并不是为 JAV 这种音频环境设计的。
把它直接拿来用，问题几乎是必然的。
1. JAV 的声音，本身就“不像人话”
JAV 里有大量非语言声音：喘息、呼吸、呻吟、叹气。这些声音在频谱上看起来很像语言，但实际上并不是。
对模型来说就很尴尬——
它“确信自己听到了什么”，于是开始硬猜词，结果字幕里就冒出了并不存在的台词。
再加上音量变化极端：
前一秒是贴着耳朵的低声细语，下一秒可能就是爆音尖叫，这会让模型的注意力和音量判断彻底乱套。
2. 时间一长，模型就开始“编故事”
Whisper 更擅长处理短而清晰的音频。
但 JAV 通常是 1–2 小时的长音频，中间还夹着大量“什么也没说”的时间段，比如安静、规律呼吸、背景声。
这些长时间的“模糊声音”会让模型逐渐失去上下文判断，最后进入一种状态：
“我好像应该输出点什么。”
于是它开始凭空生成字幕，而且往往还会重复同一句话——这就是典型的 ASR 幻觉。
3. 音频处理不是越狠越好
直觉会告诉你：
噪声多？那就狠狠降噪。
但在 Whisper 这里，激进的降噪和人声分离反而经常帮倒忙。
一些对区分发音很重要的细节会被一起抹掉，结果模型更听不懂了。
所以在这个场景下，音频处理需要的是小心、克制、分步骤，而不是一刀切。
4. 微调模型，很容易“调废”
用 JAV 数据去微调模型听起来很诱人，但现实是：
靠谱的数据太少，模型非常容易过拟合。
结果就是：
有的片子效果很好，换一部却完全崩溃，输出质量全看运气。
而你，我的朋友，你才是真正的英雄。
