记录一下那天晚上的排查过程。用 whisperx 3.3 做会议转写，转写文本与音频完全对得上，但每个词的时间戳都比实际晚了将近两秒，字幕播放时总是慢半拍，换 large-v3 也一样。
刚开始盯着「转写与对齐用了两次不同的解码，片段边界不一致」，折腾了半个多小时，排掉了。
把日志和配置对完，能解释这个现象的基本就这几处。对齐模型用的语言与音频不一致，强制对齐结果漂移。少数情况下是音频前面有几秒静音，VAD 裁掉了但没回填偏移。
还有一种情况，采样率不是 16k，时间轴按错的比例换算。
动手时先确认音频采样率与时长
ffprobe -v error -show_entries format=duration -show_entries stream=sample_rate -of default=nw=1 meet.wav显式指定语言再对齐
python -c "import whisperx;m,a=whisperx.load_model('large-v3',device='cuda');print(a['language'])"然后检查 VAD 裁掉的起始静音长度
python -c "import whisperx;print(whisperx.load_align_model(language_code='zh',device='cuda')[0] is not None)"等前面都确认过，再把偏移量统一加回词级时间戳
python -c "print({'shift_seconds':1.96})"别只看报错消失，验证要多做一步。字幕与语音逐句对齐，随机抽十句的起始偏差小于 200ms，第一句不再提前出现。
提醒一点。对齐结果依赖语言与采样率两个前提，偏固定值时优先怀疑起始静音被裁掉，而不是模型不准。拖得越久，排查成本越高，因为现场状态会被后续操作覆盖。