大概听了一下数字倒数的幻觉还是不少的，有的日语到数到0了，中文TTS在往30顺数，中间好像还夹杂了1920（好像念做一九二零，不是19,20，应该是Whisper出来的数字断句没加上），当混乱催眠听也没毛病，有的翻译略生硬，推测是Whisper听写打轴加机翻没有AI或者人工校准，然后调用Edge还是微软的某TTS读出来的，如果是全自动工具打通了端到端直出的双语那就相当不错了。
类似的工具下面这个项目好像做的比较成熟了，不过端到端全自动双语我还没时间折腾，中间坑还是不少https://github.com/jianchang512/pyvideotrans
比如说拉胯的Whisper是没啥办法，日语自动语音识别（Automatic Speech Recognition, ASR）还真是没发现哪家更能打。倒数部分可以稍微改进一下，一个选项是放弃倒数的TTS，听多了数字都熟；另一个是加一点人工对轴，调整标点符号，一个数字一个数字的读。其他的翻译可以看看本地部署个好用点的AI或者去用一下首富的Grok2 API，网页端的Grok 3相当能打，有条件也可以搞搞看集成进来。
