SubtitleEdit中Whisper生成字幕空格连字符问题的分析与解决方案

问题背景

在语音识别生成字幕的过程中，Whisper引擎（特别是Purfview的Faster-Whisper-XXL版本）存在一个典型的格式问题：在生成的英文字幕中，经常会出现单词与连字符之间包含多余空格的情况。例如将"working-class"错误生成为"working -class"。根据实际测试数据，在包含3707条字幕的样本中，约28%的连字符前出现了不必要的空格。

技术影响

这种格式错误虽然不影响语义理解，但会带来以下问题：

1. 影响字幕显示的美观性和专业性
2. 可能导致某些播放器或渲染引擎的显示异常
3. 在需要精确文本匹配的场景下（如搜索、分析）造成干扰

解决方案比较

方案一：使用正则表达式批量替换

通过SubtitleEdit的"多重替换"功能，可以使用以下正则表达式进行精确修复：

([a-zA-Z])(\s)(-)([a-zA-Z])

替换为：

$1$3$4

这个表达式会匹配字母+空格+连字符+字母的组合，并去除中间的空格，确保不会误处理其他情况。

优点：

• 精准匹配字母间的连字符
• 不会影响行首的连字符（用于对话标记）
• 可保存为预设方便重复使用

缺点：

• 需要用户手动设置
• 对正则表达式知识有一定要求

方案二：集成到"修复常见错误"功能

建议将此类修复集成到软件的"修复常见错误"功能中，作为"删除不需要的空格"选项的增强。

实现考量：

1. 应限定只处理行内的连字符，不处理行首的连字符
2. 需要考虑各种大小写组合情况
3. 需要处理可能存在的多种空白字符（普通空格、不间断空格等）

最佳实践建议

对于普通用户：

1. 定期检查Whisper生成的字幕是否存在此类问题
2. 对于少量字幕，可使用普通查找替换功能
3. 对于批量处理，建议学习使用"多重替换"功能

对于开发者：

1. 在自定义语音识别引擎时，应考虑在后处理阶段加入此类格式修正
2. 可以扩展"修复常见错误"的功能集，加入更多智能修复选项

技术延伸

类似的问题在语音识别转字幕过程中并不罕见，开发者还可以考虑：

1. 其他常见标点符号的格式问题（如引号、省略号等）
2. 中英文混排时的空格处理
3. 特殊场景下的连字符使用（如电话号码、特定术语等）

通过系统性地处理这些细节问题，可以显著提升自动生成字幕的质量和可用性。