用字幕自動剪掉影片空白段落(Whisper + ffmpeg)

在處理教學影片、訪談、Podcast 或逐字稿影片時，常見的需求是：只保留「有字幕的內容」，自動剪掉中間的停頓、空白或無聲段落。如果手動在剪輯軟體中一段段對齊字幕，不但耗時，也容易出錯。

這篇文章會帶你使用圖形化的設定介面，讓你不必記憶複雜的指令，即可透過滑鼠點擊完成剪掉影片空白段落。想了解複雜指令有附在下半部。

這套腳本，能自動刪除空白片段並保留語意內容。核心邏輯是先將影片轉成單聲道 MP3，再透過 OpenAI Whisper 生成 SRT 字幕。最後根據字幕的時間軸，利用 ffmpeg 進行影片裁切與合併。

語意切割 vs 靜音偵測

• 靜音偵測（silencedetect）： 僅判斷聲音能量高低，容易誤留呼吸聲、笑聲或環境雜訊，無法判斷語句邊界。
• SRT 字幕辨識： 判斷「人類說話的意義」，能確保剪輯出的片段具備完整語意。
• 最佳策略： 以 SRT 作為主判斷基準，輔以靜音偵測做品質檢查。

FFmpeg 音訊優化技巧

• 音量調整： 使用 loudnorm 過濾器可自動進行音量標準化，讓小聲變清晰、大聲不破音。
• 人聲增強： 透過 highpass=f=80 濾除低頻噪音（如冷氣聲），並用 equalizer 提升 3000Hz 頻段強化清晰度。
• 去噪處理： afftdn 能智慧去除背景底噪，agate 則可在沒人講話時自動關閉音量。
• 環境感： 加入微小的 aecho（如 40ms）能模擬錄音室空間感，讓聲音聽起來更厚實。

解決 Whisper 辨識異常

• 幻覺與長片段問題： 若模型在空白處亂寫或時間軸拉太長，應縮短 min_silence_duration_ms（如 500ms）並關閉 condition_on_previous_text。
• 強制切分： 設定 max_speech_duration_s（如 15 秒）限制單一片段長度，避免多句話被擠在同一個時間戳。
• 效率提升： 使用 faster-whisper 並配合 VAD（語音活動檢測）進行平行處理，速度比原版快 4-5 倍。
• 增加簡體轉繁體字，避免whisper 誤判。
• 由於模型產生的 segment 不等於「一句話」，最穩定的做法是在程式碼中加入後處理邏輯：設定每行最大字數（如 22 字），若超長則平均分配時間點並換行。

YouTube: https://youtu.be/FNh-PhIEBPY

---

使用情境

這支腳本特別適合以下場景：

• 教學影片只保留講話段落
• 訪談或會議影片去除空白等待時間
• Podcast 錄影自動裁切發言片段
• AI 轉錄後，直接用字幕反推影片剪輯

你只需要：

• 一個影片檔（mp4 / mkv / mov…）
• 運行 ffmpeg + whisper 的電腦環境. (Mac / Linux / Windows)
• max 的腳本. (選配)

max 的腳本下載：
https://github.com/max32002/srt-video-cutter/

---

環境與套件需求

在開始之前，請確認以下環境已準備好：

• Python 3.8+
• 系統已安裝 ffmpeg , openai-whisper
• Python 套件：

pip install ffmpeg-python pysrt fastapi uvicorn python-multipart jinja2 openai-whisper setuptools-rust faster-whisper opencc-python-reimplemented

其中：

• ffmpeg-python：FFmpeg 的 Python 封裝，用來描述影片處理流程
• pysrt：專門解析 .srt 字幕檔的工具
• whisper：聲音轉 .srt 字幕檔的工具
• opencc：簡體字轉繁體字

---

腳本整體流程說明

video_cutter.py 程式的邏輯可以拆成 6 個步驟：

1. 讀取並檢查影片與字幕檔是否存在
2. 解析 SRT，取得每一段字幕的開始與結束時間
3. 對影片與音訊分別做 trim
4. 重設時間軸（PTS），避免剪接錯位
5. 將所有片段依序 concat
6. 輸出成一支新的影片檔

來源檔案轉換為單聲道 MP3 (16kHz), 是透過 ffmpeg 指令

ffmpeg -i input.mp3 -ar 16000 -ac 1 -ab 16k output.mp3

生成字幕, 是透過 whisper 指令

whisper audio.mp3 --language=zh --device=cpu --model=turbo

安裝的教學, 參考: https://max-everyday.com/2025/12/whisper-python/

---

指令的使用方式

python video_cutter.py input.mp4

---

video_cutter.py 實作的細節

不知道也沒差，建議直接略過這個區塊

1️⃣ 合併過短字幕

• 設定最小片段長度（例如 0.4 秒）
• 若某段太短，嘗試與前一段合併
• 合併條件：時間間隔不超過指定閾值（例如 0.3 秒）

2️⃣ 前後 padding

• 對每段字幕加上前後緩衝（例如 ±0.15 秒）
• 自動 clamp 在 0 與影片總長度之間
• padding 在「合併後」才套用，避免重疊錯亂

3️⃣ 靜音偵測（輔助條件）

• 使用 ffmpeg 的 silencedetect
• 先跑一次分析音訊，取得靜音區段
• 若字幕區間完全落在靜音內 → 捨棄
• 若只部分靜音 → 保留（字幕仍有意義）

---

使用「靜音偵測」就不需要輸入 srt 字幕檔了嗎?

這是一個非常關鍵、而且問得很精準的問題。結論先給你，再把背後的設計邏輯一次說清楚。

結論一句話：
只用「靜音偵測」可以剪影片，但「不能等價取代 SRT（Whisper）」；兩者的角色本質不同。

---

先把兩者在「影片自動切割」中的定位講清楚。

Whisper 產生的 SRT，本質上是在回答一個問題：
「這段時間，人類在說『有意義的話』嗎？」

而靜音偵測（silencedetect），回答的是另一個問題：
「這段時間，聲音能量是否低於某個門檻？」

這兩件事不是同一件事，也不互為子集。

---

一、只用靜音偵測，不用 SRT，會發生什麼事？

你可以完全不用 SRT，只靠靜音來切，例如：

• 偵測所有非靜音區間
• 每段非靜音就是一個剪輯段

這在「技術上」完全可行，而且程式還更簡單。

但實際效果會有幾個不可避免的問題：

1. 會保留大量「沒有語意價值」的聲音
   例如：
   • 呼吸聲
   • 笑一下
   • 背景音樂
   • 咳嗽
   • 嘆氣、嗯、啊
2. 無法判斷「語句邊界」
   一句話中間短暫停頓 0.2 秒，
   靜音偵測可能直接把它切成兩段。
3. 對內容型影片不友善
   像是：
   • 教學影片
   • 訪談
   • Podcast
   • YouTube talking head
   你要的是「一句話一段」，
   不是「有聲音就留」。

因此：
只靠靜音偵測，剪出來的是「聲音片段」，不是「語意片段」。

---

二、那是否代表一定需要 SRT（Whisper）？

這要看你的「剪輯目標」。

可以這樣判斷：

如果你的目標是這種 → 可以不需要 SRT

• 去掉完全沒聲音的空白
• 快速裁掉長時間靜默
• 監控錄音品質
• Podcast 粗剪（人工後製）

如果你的目標是這種 → SRT 幾乎是必要的

• 依照「一句話」切段
• 產生短影音（Reels / Shorts）
• 自動章節
• 後續做摘要、關鍵句擷取、翻譯

你目前描述的用途是：

SRT 主要是透過 whisper 來產生，目的是利用 SRT 字幕自動切割影片

這個用途，本質上就是 語意導向切割，
所以 SRT 不是多餘的，而是核心訊號來源。

---

三、正確的工程思路：不是「二選一」，而是「主從關係」

在成熟的系統裡，設計通常是這樣：

Whisper / SRT：主判斷（語意）
靜音偵測：輔助過濾（聲學）

實務上最穩定的策略是：

1. 用 SRT 決定「候選剪輯區間」
2. 用靜音偵測做「品質檢查」
   • 字幕區間內如果 90% 都是靜音 → 丟棄
   • 字幕前後有長靜音 → 裁掉
3. 最後再補 padding，讓語音自然進出

也就是你目前優化方向中，最合理的一條路。

---

四、什麼情況下「可以完全不要 SRT」？

只有在以下情境，我會建議你拿掉 SRT：

1. 你已經不在乎「說了什麼」
2. 你只想保留「有聲音的地方」
3. 或你後面還會人工看一遍再修

例如：

• 監控錄影
• 課堂錄音粗剪
• 音檔清理工具

一旦你的目標是「自動產出可直接發布的內容」，
SRT（Whisper）就不是 optional，而是語意層的 ground truth。

---

ffmpeg 增加影片的音量

要讓音量達到最大但不破音，最保險的做法是先進行音量標準化。這通常需要跑兩次指令，或者用一個比較聰明的過濾器。

使用簡單的標準化

這個指令會自動搜尋音軌中的最高點，並將其提升到 0dB，也就是不失真的最大極限。這對於聲音太小的檔案非常有用。

ffmpeg -i input.mp4 -af "loudnorm=I=-16:TP=-1.5:LRA=11" -c:v copy output.mp4

兩步驟自動偵測

如果你想更精確地提升，可以先執行 volumedetect 找出最大增益。這個指令不會輸出新檔案，只是幫你計算數據。

ffmpeg -i input.mp4 -af volumedetect -f null /dev/null

在 Windows 中，我們把空輸出指向 NUL。

ffmpeg -i input.mp4 -af volumedetect -f null NUL

執行後在輸出的文字裡找 max_volume。如果顯示為 -6.0dB，代表你還有 6dB 的增加空間。接著再手動輸入增加的數值。

ffmpeg -i input.mp4 -af "volume=6dB" -c:v copy output.mp4

分析偵測結果

你的 max_volume 是 -1.2 dB。這代表這段影片中最大聲的地方，距離數位音訊的極限（0 dB）只剩下 1.2 dB 的空間。如果你的目標是單純增加音量且不想讓聲音破掉，你最多只能增加 1.2 dB。

執行調整指令

如果你確定要調到極限（也就是讓最大聲的地方剛好達到 0 dB），請在 Windows CMD 執行以下指令：

ffmpeg -i input.mp4 -af "volume=1.2dB" -c:v copy output.mp4

關於音量的建議

雖然最大值接近極限，但你的 mean_volume（平均音量）只有 -25.0 dB。這表示這段影片大部分時間聲音其實很小，只有少數幾個地方突然很大聲。

如果你覺得聽起來還是太小聲，單純調高 volume 可能會導致大聲的地方破音。這種情況建議改用前面提到的 loudnorm 指令，它會壓縮大聲的部分並提升小聲的部分，讓整體的聽感變大。

ffmpeg -i input.mp4 -af "loudnorm" -c:v copy output_norm.mp4

---

為什麼直接使用 loudnorm 過濾器處理過的檔案, 再使用偵測可增加的音量空間, max_volumn 反而下降?

這是一個很專業的觀察。直接使用 loudnorm 後 max_volume 反而下降，主要是因為這個過濾器的工作邏輯與單純調整增益（Gain）完全不同。

動態範圍壓縮的影響

loudnorm 是一種智慧型的音量標準化工具。它不只是把聲音推大，還會同時檢查聲音的動態範圍。為了讓整體聽感達到目標的響度（預設通常是 -16 LUFS），它會壓縮聲音的高峰。當它偵測到原始音軌中某些瞬間的峰值太高時，為了符合整體的響度標準，它會主動把這些高峰壓低，導致你看到的 max_volume 數值從 -1.2 dB 往下降。

防止數位失真的保護機制

loudnorm 內建了一個參數叫作 TP（True Peak），預設值通常是 -2.0 dB。這是一個安全閥，目的是確保處理後的聲音在任何播放設備上都不會產生數位破音。因為你原本的 max_volume 是 -1.2 dB，已經比這個安全標準還要大聲，所以 loudnorm 會強制把它壓回到 -2.0 dB 左右或更低，這就是為什麼偵測結果數值會變小的原因。

響度與峰值的差異

在音訊處理中，大聲不代表峰值高。max_volume 只代表影片中最響的那一個瞬間，而 loudnorm 關注的是整段影片聽起來的平均感覺。雖然峰值下降了，但因為它把原本微弱的聲音補償上來了，實際聽起來的感覺反而會比原本更清晰、更大聲。

你的測試結果驗證

這證明了 loudnorm 正在正確執行它的任務：它放棄了極少數的最高點空間，換取了整段音軌更一致、更飽滿的聽感。如果你希望處理後的 max_volume 更接近 0 dB，可以在指令中手動加上 TP 參數：

ffmpeg -i input.mp4 -af "loudnorm=TP=-0.1" -c:v copy output.mp4

這樣雖然峰值會上升，但通常不建議這麼做，因為留一點預留空間（Headroom）對音質比較好。

---

產生 Echo 回音音效

ffmpeg 使用 aecho 濾鏡來製作回音。你需要設定輸入增益、輸出增益、延遲時間以及衰減比例。

ffmpeg -i input.mp4 -af "aecho=0.8:0.8:1000:0.5" -c:v copy output.mp4

這行指令的參數意義如下：

• 0.8：原始聲音的音量。
• 0.8：回音的音量。
• 1000：延遲時間（毫秒），1000 代表 1 秒。
• 0.5：每次回音衰減的比例。

---

調整 EQ 均衡器

如果你想調整高低音，最直覺的是使用 equalizer 濾鏡。你可以針對特定的頻率進行增益或衰減。

例如，如果你想提升 1000Hz 附近的聲音（讓人聲更清晰），增加 6 分貝：

ffmpeg -i input.mp4 -af "equalizer=f=1000:width_type=h:w=200:g=6" -c:v copy output.mp4

• f=1000：中心頻率。
• width_type=h：頻寬單位。
• w=200：影響的頻率範圍寬度。
• g=6：增益分貝數。

快速調整高低音 (Bass/Treble)

如果你不想設定複雜的 EQ，可以直接用 bass 或 treble 濾鏡。這對高中生理解音訊調整最簡單。

提升重低音：

 ffmpeg -i input.mp4 -af "bass=g=10" -c:v copy output.mp4

提升高音：

ffmpeg -i input.mp4 -af "treble=g=8" -c:v copy output.mp4

多重濾鏡組合

你可以把音量調整、EQ 和回音全部串在一起使用，中間用逗號隔開即可。

ffmpeg -i input.mp4 -af "volume=1.2,bass=g=5,aecho=0.8:0.5:500:0.3" -c:v copy output.mp4

---

完整的人聲優化指令

這串指令包含了高通濾波、人聲強化和動態門檻去噪。

ffmpeg -i input.mp4 -af "highpass=f=80, lowpass=f=8000, afftdn=nr=10, equalizer=f=3000:width_type=h:w=200:g=3, loudnorm" -c:v copy output.mp4

濾鏡參數詳細解說

1. 高通與低通濾波 (highpass/lowpass)

highpass=f=80 會切斷 80Hz 以下的聲音。人聲通常不會低於這個頻率，但冷氣運轉或電流聲的低頻雜訊會被擋掉。lowpass=f=8000 則是過濾掉極高頻的刺耳雜音。

2. 智慧去噪 (afftdn)

afftdn 是 ffmpeg 內建強大的降噪工具。nr=10 代表降噪強度。如果你的背景嘶嘶聲很明顯，可以適度調高這個數值（建議在 10 到 20 之間），但調太高會讓人聲聽起來像在水底下說話。

3. 人聲頻段強化 (equalizer)

equalizer=f=3000:g=3 針對 3000Hz 左右進行微幅增益。這個頻段通常是人聲清晰度的關鍵，稍微拉高能讓講話聲更突出、更有磁性。

4. 終端響度標準化 (loudnorm)

最後放上 loudnorm 是為了確保優化後的聲音音量穩定，不會因為去噪過程讓音量忽大忽小。

進階去噪：使用動態閘門 (agate)

如果你的錄音環境有明顯的間歇性背景噪音（例如翻書聲或細微鍵盤聲），可以加入 agate 濾鏡。它會在沒人講話時自動把音量關到極小。

ffmpeg -i input.mp4 -af "agate=threshold=-30dB:ratio=2, highpass=f=80, afftdn, loudnorm" -c:v copy output.mp4

加入一點點空間感（Room Ambience）可以讓人聲聽起來更自然，不會像是在完全真空的密室裡講話。我們可以利用 aecho 來模擬微弱的牆面反射，讓 Podcast 更有專業錄音室的質感。

錄音室空間感指令

這組設定會加入極短的回音，聽覺上不會感覺到有明顯的「回聲」，而是覺得聲音變厚實了。

ffmpeg -i input.mp4 -af "highpass=f=80, afftdn=nr=12, aecho=0.8:0.3:40:0.2, loudnorm" -c:v copy output.mp4

參數調整重點

1. 空間感設定 (aecho)

aecho=0.8:0.3:40:0.2 這裡的核心在於 40 毫秒。這是一個非常短的時間，人耳聽不出延遲，只會覺得聲音多了一層包覆感。如果數字調到 500 以上，就會變成像在山洞說話的效果。

2. 去噪強度 (afftdn)

我把 nr 微調到了 12。這在去除 Podcast 背景底噪（如電腦風扇聲）非常有效。如果雜音還是很大，你可以嘗試把這個數值加到 15。

3. 低頻切除 (highpass)

這一步絕對不能省。Podcast 聽眾很多是用耳機收聽，切掉 80Hz 以下的雜訊，能大幅減少聽覺疲勞，讓人聲聽起來很乾淨。

檢查處理後的波形

處理完後，建議你再次使用 volumedetect 檢查。

ffmpeg -i output.mp4 -af volumedetect -f null NUL

你會發現 mean_volume（平均音量）應該會提升到 -16dB 附近，這正是目前國際 Podcast 平台的標準響度，聽眾在切換不同節目時，不需要一直手動調整手機音量。

---

highpass=f=200 與 highpass=f=80 的差異

濾除雜訊的強度

highpass=f=200 會切掉更多聲音。它能有效去掉冷氣運轉、交通工具轟鳴或遠處的低頻噪音。但缺點是它可能會切到男聲的基頻，讓聲音聽起來像透過舊式電話講話，變得很薄。對於 Whisper 來說，這通常不是問題，因為它辨識的是特徵而不是音質。

保留人聲的自然感

highpass=f=80 則溫和得多。它只會切掉人耳幾乎聽不到、但會讓麥克風產生震動的極低頻雜訊。這個設定能保留說話者聲音的厚度與磁性。如果你錄音的環境本來就很安靜，只是想做基本的清理，選 80 比較能維持原音。

針對 Whisper 的實務建議

如果你的錄音環境有明顯的環境低音，或是說話者離麥克風很近產生的噴麥聲（氣流撞擊聲），直接設定 200 會比較保險。Whisper 不需要好聽的低音，它需要的是乾淨的語音邊界。切掉 200Hz 以下的內容，可以讓模型更專注在 1kHz 到 4kHz 這些充滿語意資訊的頻段。

兩者的適用場景

如果你不確定該選哪一個，可以先聽聽看原始檔。如果背景有很重的嗡嗡聲，選 200。如果錄音很乾淨只是想稍微過濾，選 80 或 120 是比較折衷的做法。通常在嘈雜的咖啡廳或戶外錄音，我會建議直接從 200 起跳。

---

lowpass=f=3000 與 lowpass=f=8000 的差異

lowpass=f=3000 會把 3000Hz 以上的聲音全部切掉。這會讓聲音聽起來悶悶的，像是在隔壁房間說話。絕大多數的漢語或英語元音資訊都在這個範圍內。但要注意的是，像「s」、「f」、「sh」這類高頻的摩擦音，頻率通常在 4000Hz 以上。切得太乾（3000Hz）可能會讓這些齒音變得模糊。

高頻雜訊的過濾

lowpass=f=8000 則寬鬆許多。它能保留大部分的人聲細節，包含那些細微的發音特徵。它主要的功能是過濾掉電子設備的高頻嘶嘶聲、蟬鳴聲或極端尖銳的雜音。對於 Whisper 來說，8000Hz 通常是一個比較安全的平衡點，既能去噪又不會傷到語音特徵。

對 Whisper 的影響

Whisper 在訓練時看過各種品質的音檔。雖然 16kHz 的採樣率最高只能容納 8000Hz 的聲音，但如果你預處理時直接切到 3000Hz，可能會損失掉一些辨識子音的重要資訊。除非背景有非常刺耳的高頻電流聲，否則不建議切到 3000Hz 這麼低。

建議的設定值

如果你發現錄音中有很多噴麥或環境雜音，選 8000Hz 已經足夠應付多數情況。如果環境真的很糟糕，可以嘗試設定在 4000Hz 或 5000Hz 之間，這能保證語音的關鍵摩擦音不會被濾除。通常 3000Hz 是在極端惡劣、滿是高頻干擾時才考慮的最後手段。

---

套用 loudnorm, 開場的第一句話變的很小聲.

這通常是因為 loudnorm 預設是「單次掃描」（One-pass）模式。在這種模式下，ffmpeg 還沒分析完整段音訊，只能邊走邊猜。當開場的第一句話突然出現時，濾鏡為了保險起見會壓低音量，導致聽起來悶悶的。

解決開場音量過小的問題

要解決這個問題，最專業的做法是提供「預測數據」。你可以手動調整以下細部參數，或是改用兩次掃描模式。

1. 調整目標響度與峰值

你可以透過調整 I（目標響度）和 TP（真峰值）來讓整體聲音更響亮。

ffmpeg -i input.mp4 -af "loudnorm=I=-14:TP=-1.0:LRA=11" -c:v copy output.mp4

• I=-14：目標響度。數值越小（如 -12）聲音越大。Podcast 建議在 -16 到 -14 之間。
• TP=-1.0：允許的最高峰值。從預設的 -2.0 改成 -1.0 可以釋放更多音量空間。

2. 關閉線性限制 (measured)

如果你發現第一句話被壓得太厲害，可以嘗試強制設定 measured 參數。但更簡單的方法是調整 LRA（響度範圍）。

LRA=15：增加動態範圍。這會讓大聲與小聲的落差變大，有時候能減緩開場被強行壓低的感覺。

徹底解決方法：兩次掃描 (Two-pass)

這是大部份專業人士的做法。第一次先讓 ffmpeg 記住整段影片的音量特徵，第二次再根據這些數據進行精確調整。這樣濾鏡就不會在開場時「反應過度」。

在 Windows 上手動做兩次掃描比較麻煩，但有一個作弊的方法，就是調大內建的緩衝區。

增加預測緩衝

雖然 ffmpeg 的 loudnorm 主要靠演算法，但你可以嘗試在人聲處理鏈中，先放一個 compand（壓縮器）來預處理，或是直接改用 speechnorm。

如果你堅持用 loudnorm 且不想跑兩次指令，可以試試看這個組合，這對開場壓抑會有改善：

ffmpeg -i input.mp4 -af "loudnorm=I=-16:TP=-1.5:LRA=11:measured_I=-25.0:measured_TP=-1.2:measured_LRA=7.0:measured_thresh=-35.0" -c:v copy output.mp4

註：上面的 measured 數值是我根據你之前提供的偵測數據填入的。手動餵入這些偵測到的數據，能讓 loudnorm 在開場時就知道該怎麼處理。

另一個選擇：speechnorm

如果 loudnorm 讓 Podcast 開場聽起來還是很不自然，我強烈建議換成 speechnorm。它是專門為語音設計的，能非常平滑地調整每一句話的音量。

ffmpeg -i input.mp4 -af "speechnorm=e=4:p=0.9" -c:v copy output.mp4

你想試試看用 speechnorm 處理的效果嗎？它通常比 loudnorm 更適合解決「第一句話變小聲」的問題。

---

Whisper 進行語音轉文字（Audio to Text），「將檔案切成小片段」是否比較有效率

關於使用 OpenAI Whisper 進行語音轉文字（Audio to Text），「將檔案切成小片段」是否比較有效率，答案是：是的，通常比較有效率，但前提是「切分的方式要正確」。

如果只是單純為了速度而粗暴地切割檔案（例如固定每 60 秒切一刀），可能會導致辨識準確度下降。

以下為您詳細分析為什麼要切分、以及如何切分才是最好的策略：

---

1. 為什麼切成小檔案比較有效率？（優點）

• 平行處理（Parallel Processing / Batching）：
  這是最大的優勢。如果您將一個 1 小時的檔案切成 60 個 1 分鐘的檔案，您可以利用 GPU 的「批次處理（Batching）」功能，同時辨識多個片段。這比依序讀取一個長檔案要快得多。
• 記憶體管理（VRAM Usage）：
  雖然 Whisper 的記憶體使用量主要取決於模型大小（如 large-v3），但處理極長的音訊檔案有時會導致記憶體溢出（OOM）或處理緩衝區過大的問題。切分檔案可以讓記憶體負載更穩定。
• 避免累積錯誤（Hallucination Loop）：
  Whisper 在遇到長時間的靜音或背景噪音時，有時會產生「幻覺」（Hallucinations），例如不斷重複同一句話。切分檔案可以強制模型在每個新片段「重置」狀態，減少這種錯誤無限延續的風險。
• 容錯率：
  如果處理長檔案到 99% 時程式崩潰，您可能要從頭再來；如果是小檔案，您只需要重新跑失敗的那一小段。

2. 切分檔案的潛在風險（缺點）

• 上下文遺失（Context Loss）：
  Whisper 是利用上下文來判斷同音異字的。如果您剛好切在一個句子的中間，模型會失去前後文，導致誤判。

例子： 如果您在「人工智…」切斷，下一段是「…能」，模型可能分別辨識成錯誤的字，而不是完整的「人工智慧」。

• 邊界效應：
  切分點附近的音訊可能會因為波形被截斷而產生雜音，影響辨識。

---

3. 如何正確地切分？（最佳實務）

為了兼顧效率與準確率，絕對不要使用「固定時間切割」（例如每 30 秒切一次），建議採用以下策略：

A. 使用 VAD（語音活動檢測）切割

這是最標準的做法。利用 VAD (Voice Activity Detection) 演算法，找出音訊中的「靜音片段」，在說話者停頓換氣的地方進行切割。

• 優點： 確保句子是完整的，不會切斷單字。
• 工具： pyannote-audio 或 Silero VAD。

B. 使用優化過的函式庫（推薦 faster-whisper）

原版的 OpenAI Whisper 程式碼在處理長檔案時速度較慢。目前社群最推薦使用的是 faster-whisper。

• 原理： 它底層使用了 CTranslate2 引擎，比原版快 4-5 倍，並且內建了很好的 VAD 處理邏輯。它會自動在記憶體中幫您做好「切分 -> 批次辨識 -> 合併」的動作，您不需要手動去切實體檔案。

C. 若必須手動切檔 (使用 FFmpeg)

如果您因為某些原因必須手動切檔，請利用 ffmpeg 的 silencedetect 功能來尋找靜音點切割，而不是單純用 -segment_time。

---

4. 總結比較表

處理方式	速度效率	準確度	記憶體消耗	建議程度
單一長檔案 (原版 Whisper)	低 (依序處理)	高 (上下文完整)	高 (可能不穩)	⭐⭐
固定時間切割 (如每30秒)	高 (可平行)	低 (容易切斷句子)	低	⭐ (不建議)
VAD 靜音切割 (手動/程式)	極高 (可平行)	高 (保留句子完整)	低	⭐⭐⭐⭐
使用 faster-whisper	極高	高	最佳化	⭐⭐⭐⭐⭐

---

Whisper 模型陷入了「幻覺」或「長片段過度延伸」

例如: 一句話占用了 2分鐘.

問題原因與調整建議

這種情況通常不是 VAD 沒運作，而是模型陷入了「幻覺」或「長片段過度延伸」。當語音結尾出現較長的空白，或者背景有極微弱的環境雜音（例如底噪、電扇聲），Whisper 有時會以為這句話還沒結束，硬生生把結束時間往後拉，直到遇到下一個明顯的聲音。

你可以嘗試調整 transcribe 函數中的參數來修正這個現象。

建議修改的參數

在你的程式碼中，找到 model.transcribe 的位置，建議加入以下參數進行微調：

Python

segments, info = model.transcribe(
    input_file, 
    language=language, 
    vad_filter=True,
    # 調整 VAD 參數
    vad_parameters=dict(min_silence_duration_ms=1000), 
    # 控制無聲片段的判斷
    no_speech_threshold=0.6,
    # 限制沒有聲音時的處理方式
    compression_ratio_threshold=2.4
)

修改重點說明

• min_silence_duration_ms: 這是 VAD 判斷「靜音」的門檻。預設通常是 2000ms（2秒），如果你覺得兩分鐘太誇張，可以縮短這個數值（例如 1000 或 500），讓它更敏感地切斷句子。
• no_speech_threshold: 這是模型對「無聲」的信心門檻。提高這個數值（例如 0.6 或 0.7），可以讓模型在不確定有沒有人聲時，更果斷地放棄辨識，避免把底噪硬抓來轉文字。
• compression_ratio_threshold: 當模型開始亂寫、重複字詞或陷入長延時幻覺時，壓縮比通常會飆高。設定這個門檻可以讓模型在發現內容太混亂時，主動切斷該片段。

進階解決方案：強行切斷

如果調整 VAD 參數後效果還是有限，通常是因為錄音環境的底噪被模型誤認為是人聲。你可以試著加入 condition_on_previous_text=False。

這個參數會讓模型在處理下一段時，不參考前一段的內容。雖然可能會降低語意連貫性，但能有效防止「上一句的幻覺」一直帶到下一句，導致時間軸無限延伸。

整合參數後的程式碼

我把建議的參數直接加入 model.transcribe 裡。這樣可以讓 VAD 更敏銳，並減少模型在空白處「硬湊」時間的問題。

Python

import os
from contextlib import ExitStack

def run_faster_whisper_task(input_file: str, language: str, model_size: str, device: str, output_formats: List[str]):
    try:
        print(f"--- 開始處理: {input_file} (Device: {device}, Model: {model_size}) ---")
        
        compute_type = "float16" if device == "cuda" else "int8"
        model = WhisperModel(model_size, device=device, compute_type=compute_type)

        # 加入優化參數解決長延遲問題
        segments, info = model.transcribe(
            input_file, 
            language=language, 
            vad_filter=True,
            # 只要靜音超過 1 秒就切斷，不讓它連在一起
            vad_parameters=dict(min_silence_duration_ms=1000),
            # 提高對無聲的判定標準，避免抓到底噪
            no_speech_threshold=0.6,
            # 防止上一句的內容影響下一句，減少幻覺
            condition_on_previous_text=False
        )

        base_name = os.path.splitext(input_file)[0]
        print(f"偵測到語言: {info.language} (信心度: {info.language_probability})")
        
        with ExitStack() as stack:
            f_srt = None
            f_txt = None

            if "srt" in output_formats or "all" in output_formats:
                srt_path = f"{base_name}.srt"
                f_srt = stack.enter_context(open(srt_path, "w", encoding="utf-8"))

            if "txt" in output_formats or "all" in output_formats:
                txt_path = f"{base_name}.txt"
                f_txt = stack.enter_context(open(txt_path, "w", encoding="utf-8"))
            
            for i, segment in enumerate(segments, start=1):
                start_time = format_timestamp(segment.start)
                end_time = format_timestamp(segment.end)
                text = segment.text.strip()
                
                if f_srt:
                    f_srt.write(f"{i}\n")
                    f_srt.write(f"{start_time} --> {end_time}\n")
                    f_srt.write(f"{text}\n\n")
                    f_srt.flush() 

                if f_txt:
                    f_txt.write(f"{text}\n")
                    f_txt.flush()
                
                print(f"[{start_time} -> {end_time}] {text}")

        print(f"--- 處理完成 ---")

    except Exception as e:
        print(f"Faster-Whisper 執行錯誤: {e}")

調整說明

這段程式碼主要做了兩件事。第一是把 min_silence_duration_ms 縮短，讓 VAD 看到超過 1 秒的空白就強制收尾，不讓它繼續延伸。

第二是關掉了 condition_on_previous_text。這很重要，因為有時候模型會因為上一句還沒講完的錯覺，把後面的空白時間全部吃掉。關掉它後，每一段辨識都會比較獨立，時間軸也會精準很多。

最後也保留了你要的「不產生多餘檔案」的邏輯。如果跑完後發現時間軸還是偏長，可以再把 no_speech_threshold 往上調。

---

解決多句話合併的方法

解決多句話合併的方法

多句話被擠在同一個時間軸，通常是因為 Whisper 的 max_initial_timestamp 或內部的 word_timestamps 機制覺得這些句子之間停頓不夠明顯。要解決這個問題，除了調整 VAD 參數外，最有效的方法是加入「時間戳限制」與「強制切分」參數。

建議調整的參數

請在 model.transcribe 中加入 max_new_tokens 與 chunk_length 相關的限制：

Python

segments, info = model.transcribe(
    input_file, 
    language=language, 
    vad_filter=True,
    vad_parameters=dict(min_silence_duration_ms=500), # 縮短靜音判定，強制切分
    # 限制一個片段的最長秒數，避免過長合併
    clip_timestamps=[0], 
    # 加入以下關鍵參數
    max_initial_timestamp=1.0, 
    word_timestamps=False, # 如果不需要逐字時間戳，關閉它有助於穩定句子邊界
    # 這是核心：限制模型一次處理的長度
    initial_prompt="以下是逐句對話。", # 給模型提示，讓它傾向於斷句
)

修改重點說明

• 縮短 min_silence_duration_ms: 將 1000ms 改為 500ms（0.5秒）。只要講話稍微停頓，VAD 就會把這段切開，不會讓它變成一大串。
• max_initial_timestamp: 限制模型在搜尋聲音起點時的範圍，這能強迫模型更頻繁地重新對齊時間軸。
• initial_prompt: 這是一個小技巧。在提示詞裡加入標點符號或說明「這是逐句轉錄」，模型在輸出時會更傾向於加上標點並斷句，而不是吐出一長串沒有停頓的文字。
• 語音長度限制: 如果你的音檔底噪真的很大，導致 VAD 失靈，可以在程式碼層面檢查 segment.end - segment.start。如果差值超過 15 秒，就代表這一句太長了，這通常是模型卡住的徵兆。

在 faster-whisper 中，雖然參數名稱和原始的 OpenAI Whisper 略有不同，但我們可以透過 vad_parameters 中的 max_speech_duration_s 來限制每個片段的最長秒數。

另外，我們可以用 initial_prompt 強制模型在語氣停頓處斷句。

加入長度限制後的程式碼

Python

segments, info = model.transcribe(
    input_file, 
    language=language, 
    vad_filter=True,
    # vad_parameters 是控制切分長度的關鍵
    vad_parameters=dict(
        min_silence_duration_ms=500,  # 只要停頓 0.5 秒就切斷
        max_speech_duration_s=15      # 強制每一段話最長不能超過 15 秒
    ),
    # 限制模型一次生成的字數，避免一段話塞進太多內容
    # beam_size 設小一點有助於減少模型過度延伸的幻覺
    beam_size=5,
    # 給模型暗示，讓它知道要分句
    initial_prompt="，。！？", 
    # 關閉前文關聯，防止模型為了連貫性把句子硬湊在一起
    condition_on_previous_text=False
)

參數修改說明

• max_speech_duration_s: 這是最直接的解藥。我把它設為 15 秒，這代表 VAD 只要偵測到語音長度快到 15 秒，就會強行切斷並產生一個時間戳。這能解決你看到那種一整分鐘都沒斷句的問題。
• min_silence_duration_ms: 調降到 500ms（0.5秒）。這會讓程式對說話者的換氣、停頓更敏感，進而增加斷句頻率。
• initial_prompt: 我直接給它標點符號。這會引導模型在生成文字時，主動在該斷句的地方放上標點，這在處理「然後」、「接著」這種口頭禪時效果很好。
• beam_size: 雖然這主要影響準確度，但設在 5 左右通常是速度與穩定度的平衡點，能減少模型胡言亂語的機率。

你可以先試試看這組設定，15 秒的強制限制應該能馬上解決多句合併的問題。

---

為什麼已經知道是不同句話, 卻還是要合併句子

這是一個常見的技術陷阱。之所以會出現「明明語氣斷了，時間軸卻連在一起」，主要有三個原因：

為什麼會被合併

1. VAD 沒抓到夠長的靜音：Whisper 預設要看到一段明顯的「無聲區」才會切段。如果說話者語速快，或環境底噪（如風扇、電腦運流聲）太重，VAD 會以為中間那幾毫秒的停頓只是換氣，不是句子結束。
2. 模型試圖補完語意：Whisper 的特色是它會「預測」下一句。當它聽到「然後」、「接著」這種連接詞，它會覺得這句話還沒講完，為了語句通順，它會把後面的內容強行拉進同一個時間戳裡。
3. 預設的最短片段限制：模型為了避免產生太多只有 1 秒的碎片段，有時會自動把相近的聲音合併，結果反而造成了你看到的 15 秒長句。

解決方案：強制切分與語境分離

要修正這個問題，必須在 model.transcribe 裡加上更嚴格的參數。請將這段整合進你的程式中：

Python

segments, info = model.transcribe(
    input_file, 
    language=language, 
    vad_filter=True,
    vad_parameters=dict(
        min_silence_duration_ms=400,  # 更敏感，停頓 0.4 秒就切斷
        max_speech_duration_s=10,     # 強制每段最長 10 秒，解決長句問題
        speech_pad_ms=200             # 減少片段前后的緩衝音
    ),
    # 這是關鍵：關閉前文關聯
    condition_on_previous_text=False, 
    # 加入提示詞，強迫模型在看到連接詞時斷開
    initial_prompt="。，接著。然後。", 
    # 提高對無聲的判斷，不要讓底噪把兩句話連起來
    no_speech_threshold=0.6
)

修改後的變化

這組參數會讓 VAD 變得非常「沒耐心」。只要你稍微停頓 0.4 秒，它就會強行結束這一局。

加上 condition_on_previous_text=False 後，模型就不會因為看到「然後」就想去接前面的話。它會把每一段都當作全新的開始，這樣時間軸就會被切得很碎、很精準。

如果修改後發現句子斷得太細，可以再把 min_silence_duration_ms 稍微往上調。

需要我幫你把這組「嚴格斷句版」參數放進完整的函數程式碼中嗎？

---

還是 chatGPT 解決問題能力較強,

你這份設定其實已經接近 faster-whisper 能做到的極限切分了，多句字幕被合併，原因主要不是「bug」，而是 Whisper 本身的語言模型行為 + VAD 與 segment 定義方式。下面我直接用「為什麼會合併 → 怎麼徹底解」的角度來說，並給你可直接套用的修正方案。

---

先說結論：
只靠 transcribe 參數，無法 100% 防止多句合併在同一個 segment。
真正穩定的解法是 「模型切段 + 後處理再切一次字幕」。

---

為什麼你現在的設定還是會合併？

即使你已經做了這些正確的事：

• condition_on_previous_text=False
• vad_filter=True
• 縮短 min_silence_duration_ms
• 限制 max_speech_duration_s
• 設小 beam_size
• 提高 no_speech_threshold

但 Whisper 的 segment 不是「一句話」概念，而是「語音連續區間」：

• 只要中間沒有被 VAD 判定為「明確靜音」
• 或模型認為語意連續（尤其是中文）
• 就會把「多句話」吐在 同一個 segment.text

👉 所以你現在看到的是「一個 segment 裡面有好幾句話」

---

正確做法：保留 Whisper segment，但自己再切字幕

核心策略

1. 讓 Whisper 只負責「時間區段」
2. 字幕斷句交給你自己（用標點 / 長度 / 停頓）

這是專業字幕系統（YouTube、Netflix pipeline）實際用的做法。

---

解法一（強烈推薦）：依標點再切 SRT（最穩）

新增一個「字幕斷句函式」

import re

def split_text_to_sentences(text):
    # 中文 + 英文常見斷句符號
    pattern = r'(?<=[。！？!?；;])'
    parts = re.split(pattern, text)
    return [p.strip() for p in parts if p.strip()]

---

修改你原本的 for loop（關鍵）

srt_index = 1

for segment in segments:
    start = segment.start
    end = segment.end
    text = segment.text.strip()

    sentences = split_text_to_sentences(text)

    if len(sentences) == 1:
        # 原本行為
        if f_srt:
            f_srt.write(f"{srt_index}\n")
            f_srt.write(f"{format_timestamp(start)} --> {format_timestamp(end)}\n")
            f_srt.write(f"{sentences[0]}\n\n")
        srt_index += 1
        continue

    # 多句 → 平均切時間
    duration = end - start
    per_sentence = duration / len(sentences)

    for idx, sentence in enumerate(sentences):
        s = start + idx * per_sentence
        e = s + per_sentence

        if f_srt:
            f_srt.write(f"{srt_index}\n")
            f_srt.write(f"{format_timestamp(s)} --> {format_timestamp(e)}\n")
            f_srt.write(f"{sentence}\n\n")

        srt_index += 1

效果

• 一個 Whisper segment → 多個 SRT 條目
• 時間仍然合理
• 字幕不再塞成一大句

---

解法二（進階）：限制每行字數（更像專業字幕）

你可以加上「字幕長度限制」，例如 20～25 字：

def split_by_length(text, max_len=22):
    result = []
    buf = ""
    for ch in text:
        buf += ch
        if len(buf) >= max_len:
            result.append(buf)
            buf = ""
    if buf:
        result.append(buf)
    return result

可以先「標點切 → 再長度切」。

---

你現在這些參數，哪些是「有效的」？

✔ 保留（做得對）：

• condition_on_previous_text=False
• vad_filter=True
• min_silence_duration_ms=300
• max_speech_duration_s
• beam_size=5

⚠️ 影響有限：

• initial_prompt
• clip_timestamps
• max_initial_timestamp

❌ 無法根治的：

• 單靠 VAD 期待「一句一段」

---

最佳實務建議（總結）

一句話版本：

Whisper 負責聽，字幕斷句要自己來。

你的 pipeline 建議是：

1. faster-whisper：
   • 穩定切出時間 segment
2. Python 後處理：
   • 依「標點 / 長度」再切字幕
3. 輸出 SRT

這樣你會得到：

• 不合併句子
• 時間合理
• 可控字幕品質
• 不依賴模型幻覺行為

---

下面是直接可用的「production 等級 SRT pipeline」，在你原本程式基礎上完成這些事：

1. Whisper 只負責時間段（segment）
2. 字幕後處理再斷句（標點 → 長度）
3. 每個 SRT 最多 2 行
4. 每行最多 N 個字（可調）
5. 時間合理平均分配
6. 不再出現多句塞同一條字幕

你可以整段直接取代原本的 function。

---

核心字幕切分工具（production 用）

import os
import re
from contextlib import ExitStack
from typing import List
from faster_whisper import WhisperModel

斷句：先標點，再長度

def split_sentences(text: str):
    pattern = r'(?<=[。！？!?；;])'
    parts = re.split(pattern, text)
    return [p.strip() for p in parts if p.strip()]

控制每行長度

def split_by_length(text: str, max_len: int):
    lines = []
    buf = ""
    for ch in text:
        buf += ch
        if len(buf) >= max_len:
            lines.append(buf)
            buf = ""
    if buf:
        lines.append(buf)
    return lines

合成「最多 2 行」字幕 block

def build_subtitle_blocks(text: str, max_line_len=22, max_lines=2):
    sentences = split_sentences(text)
    blocks = []

    for sent in sentences:
        lines = split_by_length(sent, max_line_len)

        for i in range(0, len(lines), max_lines):
            block = lines[i:i + max_lines]
            blocks.append("\n".join(block))

    return blocks

---

最終版：production SRT pipeline

def run_faster_whisper_task(
    input_file: str,
    language: str,
    model_size: str,
    device: str,
    output_formats: List[str],
    max_line_len: int = 22
):
    try:
        print(f"--- 開始處理: {input_file} ---")

        compute_type = "float16" if device == "cuda" else "int8"
        model = WhisperModel(model_size, device=device, compute_type=compute_type)

        segments, info = model.transcribe(
            input_file,
            language=language,
            vad_filter=True,
            condition_on_previous_text=False,
            vad_parameters=dict(
                min_silence_duration_ms=300,
                max_speech_duration_s=4,
                speech_pad_ms=200,
            ),
            beam_size=5,
            no_speech_threshold=0.6,
        )

        base_name = os.path.splitext(input_file)[0]

        with ExitStack() as stack:
            f_srt = None
            f_txt = None

            if "srt" in output_formats or "all" in output_formats:
                f_srt = stack.enter_context(
                    open(f"{base_name}.srt", "w", encoding="utf-8")
                )

            if "txt" in output_formats or "all" in output_formats:
                f_txt = stack.enter_context(
                    open(f"{base_name}.txt", "w", encoding="utf-8")
                )

            srt_index = 1

            for segment in segments:
                start = segment.start
                end = segment.end
                text = segment.text.strip()

                if not text:
                    continue

                blocks = build_subtitle_blocks(
                    text,
                    max_line_len=max_line_len,
                    max_lines=2
                )

                duration = end - start
                per_block = duration / len(blocks)

                for i, block in enumerate(blocks):
                    s = start + i * per_block
                    e = s + per_block

                    if f_srt:
                        f_srt.write(f"{srt_index}\n")
                        f_srt.write(
                            f"{format_timestamp(s)} --> {format_timestamp(e)}\n"
                        )
                        f_srt.write(f"{block}\n\n")

                    if f_txt:
                        f_txt.write(block.replace("\n", " ") + "\n")

                    print(f"[{format_timestamp(s)} -> {format_timestamp(e)}]")
                    print(block)

                    srt_index += 1

        print(f"--- 處理完成 ({info.language}, {info.language_probability:.2f}) ---")

    except Exception as e:
        print(f"Faster-Whisper 錯誤: {e}")

---

參數調整建議

你的設定中 max_speech_duration_s=1 數值過小。這會強制 VAD 每秒鐘就切斷一次。當語音被切得太碎，模型反而容易因為上下文不足而產生幻覺，或是把零碎的聲音補償成重複的文字。建議將這個值放寬到 15 到 20 左右。

目前的字幕出現長達 30 秒的區間，通常是因為 VAD 沒有成功切斷聲音。模型認為這段時間內一直有人在說話。這可能與 min_silence_duration_ms 太短有關。

您可以嘗試以下參數組合：

segments, info = model.transcribe(
    input_file, 
    language=language, 
    vad_filter=True,
    condition_on_previous_text=False,
    vad_parameters=dict(
        min_silence_duration_ms=500,
        max_speech_duration_s=20,
        speech_pad_ms=400
    ),
    beam_size=5,
    initial_prompt="繁體中文字幕。",
    no_speech_threshold=0.6,
    log_prob_threshold=-1.0,
    compression_ratio_threshold=2.4
)

關鍵調整說明

min_silence_duration_ms 增加到 500 毫秒。這樣模型比較能識別出正常的說話停頓。太短的設定會讓環境噪音干擾判定。

speech_pad_ms 增加到 400 毫秒。這會在切分片段的前後多留一點空間。這能幫助模型完整辨識字首與字尾，減少因為聲音被截斷導致的重複亂碼。

加入 initial_prompt。指定為繁體中文可以導正模型的語氣。這能有效減少出現奇怪贅字或簡繁混雜的機率。

調整 compression_ratio_threshold。如果模型輸出的內容重複率太高，這個參數會觸發重新辨識。這對解決你提到的重複文字問題很有幫助。

---

python opencc 的 s2t 與 s2tw 差異

OpenCC 是一個很方便的簡繁轉換工具。s2t 與 s2tw 看起來很像，但處理邏輯有明顯區別。這對寫程式或處理文字檔的人來說，選錯轉換模式會讓結果變得很奇怪。

核心轉換邏輯的差異

s2t 的全稱是 Simplified Chinese to Traditional Chinese。它只做字對字的轉換。也就是把簡體字直接換成對應的正體字。這種模式不考慮各地區的用詞習慣。它最適合用在想保留原始語句，只需要更換字體形狀的場景。

s2tw 則是 Simplified Chinese to Traditional Chinese (Taiwan Standard)。它除了換字，還會加入台灣的字形標準。它處理的是字形上的微調，確保轉換後的文字符合台灣教育部門定義的標準字體。

詞彙轉換的層次

雖然 s2tw 處理了台灣字形，但它不一定會處理詞彙轉換。在 OpenCC 的配置中，如果你需要把簡體的計算機換成台灣常用的電腦，通常要使用的是 s2twp。那個 p 代表的是 Phrases，也就是詞彙修正。

單純的 s2t 轉換後，你的文章看起來會像是一個用簡體邏輯寫成的繁體文章。讀起來會有一種違和感。如果你的目標讀者是台灣人，s2tw 或 s2twp 會是比較好的選擇。

實際應用建議

如果你是要開發給台灣用戶使用的 App 或網站，建議選擇 s2twp。這樣不只字形正確，連軟體、內存這種詞彙都能自動轉換成軟體、記憶體。這能大幅提升用戶的閱讀體驗。

缺點也很明顯，完全無法使用大陸的用詞，會被強制轉成台灣用詞，但台灣明明可以用腳本，s2twp 會硬把腳本改成指令碼…, 實在很無言.

實際測試, s2hk 似乎比較好用.

• 原始文字：
  通过内存清理软件，可以提高计算机的速度。
  台灣, 一台車, 芯片, 腳本, 脚本, 指令码, 指令碼, 软体, 軟體。土豆, 信息,
  水平高清发现太后的头发后面有干的长发
• s2t 模式：
  通過內存清理軟件，可以提高計算機的速度。
  臺灣, 一臺車, 芯片, 腳本, 腳本, 指令碼, 指令碼, 軟體, 軟體。土豆, 信息,
  水平高清發現太后的頭髮後面有乾的長髮
• s2tw 模式：
  通過內存清理軟件，可以提高計算機的速度。
  臺灣, 一臺車, 芯片, 腳本, 腳本, 指令碼, 指令碼, 軟體, 軟體。土豆, 信息,
  水平高清發現太后的頭髮後面有乾的長髮
• s2twp 模式：
  透過記憶體清理軟體，可以提高計算機的速度。臺灣, 一臺車, 晶片, 指令碼, 指令碼, 指令碼, 指令碼, 軟體, 軟體。土豆, 資訊, 水平高畫質發現太后的頭髮後面有乾的長髮
• s2hk 模式：
  通過內存清理軟件，可以提高計算機的速度。
  台灣, 一台車, 芯片, 腳本, 腳本, 指令碼, 指令碼, 軟體, 軟體。土豆, 信息,
  水平高清發現太后的頭髮後面有乾的長髮