先把当时的情况摆出来。把 Whisper 产出的 srt 和人工轴合并，10 分钟后的字幕逐渐比配音慢 2 秒，越往后越明显；单看每一行时间戳都没错，整轨累计偏移，视频是 23.976 fps 的素材。
排查方向其实有限，先把可能性排一排。视频是 23.976 fps，字幕按 24 fps 时间轴生成。另一种情况是拼接时每段取整到毫秒，误差累积。
另外，中途有 3 段被裁掉，字幕没有同步删除。少数情况下是播放器用了变速播放，字幕没跟随。
先确认视频的真实帧率
ffprobe -v error -select_streams v:0 -show_entries stream=r_frame_rate -of csv input.mp4再往下按帧率比例重算整轨时间戳
python retime.py --srt in.srt --fps 23.976 --out fixed.srt随后对齐首尾两条字幕的时间差
python -c "print(open('fixed.srt').read().splitlines()[-3:])"末了用播放器抽 10 分钟处核对口型
ffmpeg -ss 600 -i input.mp4 -t 5 -vn -f null -怎么算真的好了，看的是同一批现象。10 分钟处的字幕与语音误差小于 100 毫秒，结尾字幕不再拖后 2 秒，整轨时间戳单调递增。
容易忽略的是，帧率不同导致的漂移是线性累积的，逐行微调没用；先确认素材帧率再整体换算，裁掉的片段必须同步删字幕，否则拼接处会再叠一次偏移。同一份配置在测试环境跑通，不代表线上没事，两边的默认值经常不一样。