是，需人工修改ASR识别稿；因SoundView的翻译与口型驱动均基于原始识别文本，识别错误会逐级放大至语音合成与面部动画，且系统不支持替换源文本或后期修正。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在SoundView上提交视频前，是否需要人工修改ASR识别稿，直接决定最终配音口型同步的自然度和译文信息保真度——因为SoundView的翻译与口型驱动都基于原始识别文本进行，识别错误会像滚雪球一样放大到语音合成与面部动画环节。
SoundView的处理链路决定了识别稿就是翻译起点
第一步：上传视频后，SoundView自动调用科大讯飞自研ASR引擎生成时间戳对齐的识别稿；
第二步：系统将该识别稿作为唯一源文本送入翻译模块，不提供“替换源文本”入口；
第三步：翻译结果直接驱动TTS语音合成，并同步映射至数字人口型参数。
这意味着：如果识别稿把“脱贫攻坚”错识为“脱平攻坚”，翻译端不会主动纠错，而是忠实译出“poverty alleviation campaign”对应的错误发音片段，口型也会按“脱平”二字张合——这种偏差无法在后期配音或导出阶段修正。
哪些识别错误必须改，哪些可以跳过
方法一：必须人工校对并修正的三类硬伤
• 时间轴错位：某句识别文本的时间戳覆盖了下一句画面，导致配音抢话或滞后→【不修正会导致口型完全脱离画面节奏】；
• 关键术语误识：如“neural network”被识成“new real network”、“CATTI”被识成“catty”；
• 专有名词空缺：人名、地名、机构名整段丢失（常见于带口音或背景音干扰的视频），此时翻译模块会强行补全为无意义短语。
方法二：可跳过不改的两类情况
• 口语填充词误识：“呃”“啊”“这个那个”被识别为汉字或拼音，不影响主干语义；
• 同音字替换但语义通顺：“权利”误识为“权力”，若上下文未涉及法律/政治语境，翻译结果仍可接受。
实操中怎么快速判断要不要改
① 播放原视频，开启SoundView识别稿侧边栏的“高亮当前句”功能；
② 听到某句语音时，观察对应文本是否在0.3秒内被高亮且内容与发音基本匹配；
③ 若出现连续2句以上高亮延迟、跳句、或文本明显偏离发音（如听到“乡村振兴”，显示“乡村振兴”），立即暂停→点击该句右侧铅笔图标编辑→保存；
④ 全程只改问题句，不要重写整段——SoundView不支持导入外部文本，所有修改必须在平台内完成，且每改一句需手动点击“保存并同步”。
