博客

Cloudflare Workers 既跑不了多分钟的 GPU 任务,也开不了 Modal gRPC SDK 的长连接 —— 于是 ScribeToAny 把 Modal 当成普通 HTTP 端点,fire-and-forget 触发,再让 GPU 机器通过签名 webhook 回调。本文讲清这套异步设计、对账兜底,以及那些真正咬人的边界情况。

Captions（隐藏式字幕）面向听不到声音的观众，包含非语音信息；Subtitles（翻译字幕）面向听得懂声音、但看不懂语言的观众，只呈现对白。一篇清晰的对比，附带决定你该用哪种的无障碍法规。

用大白话讲清词错误率（Word Error Rate）——转录准确率到底怎么测、数字意味着什么、为什么连人类都做不到 100%，以及哪些因素会把准确率拉高或拉低。

一份关于转录会产出的文件格式的参考——SRT、VTT、TXT、TSV、CSV、JSON，以及 ASS、SSA、SMI、TTML——每种都配真实示例，并附一张"什么时候用哪种"的对照表。

说话人分离（Speaker Diarization）是按说话人把录音切开的那一步——把一整块文字变成有标注的对话。它是什么、和说话人识别有何不同、如何运作、以及在哪里会出错。

把一期播客变成干净、带时间戳的节目笔记和字幕——先转录音频，再导出 SRT、VTT 或纯文本。免费方案，无需信用卡。