After using VAD, the start and end times of the recognized segments are incorrect

快速结论：该问题通常出现在 Faster Whisper 启用 vad_filter=True 后，识别片段的 end 被错误对齐到下一段的 start，即段边界“越界”到 VAD chunk 中真实语音结束点之后。优先排查是否为已知的 VAD 时间戳还原 bug，并确认是否可升级到修复版本。

适用环境：Issue 中用户使用 WhisperModel 本地加载 large-v3，device="cuda"，local_files_only=True，语音为中文，vad_filter=True 且 vad_parameters=dict(min_silence_duration_ms=1000)；其余 Python、CUDA、PyTorch、驱动版本未提供。

最快修复方案：Issue 后续提到已提交 #1676 修复：restore_speech_timestamps 会将还原后的片段边界限制在 VAD chunk 的语音区间内（SpeechTimestampsMap.get_chunk_speech_bounds），使片段 end 不再越过真实语音结束点、延伸到下一 chunk 的 start。因此可优先尝试升级到包含该 PR 的 Faster Whisper 版本。

注意事项：该修复只调整 VAD 还原片段边界，Issue 中明确说明“Word-level timestamps are untouched”；Faster Whisper 本身的 Whisper 段级时间戳精度有限，若需要更精确时间，维护者建议启用词级时间戳或使用强制对齐。此外，PR #1676 的验证以单元测试为主，Issue 中未附真实音频复现，实际效果可能因音频与参数不同而有差异。

问题场景

用户使用 Faster Whisper 对音频做转写并生成字幕，开启 vad_filter=True 后，发现 segments 中的 start 和 end 时间不正确。未启用 VAD 时，start/end 与音频中对话时间接近或准确对应；启用 VAD 后，前一段的 end 不再等于语音真正结束的时间，而是等于下一段的 start。用户还单独使用 Silero VAD 对同一音频验证，结果显示 Silero VAD 自身给出的起止时间接近音频中真实语音出现的时间点。

报错原文

After using VAD, the start and end times of the recognized segments are incorrect

Before using VAD:
segment1.start=00:02:45.111
segment1.end=00:02:46.333
segment1.text=AAAAAAA

segment2.start=00:02:51.222
segment2.end=00:02:59.444
segment2.text=BBBBBB

After using VAD:
segment1.start=00:02:45.111
segment1.end=00:02:51.222
segment1.text=AAAAAAA

segment2.start=00:02:51.222
segment2.end=00:02:59.444
segment2.text=BBBBBB

原因分析

可能原因是 Faster Whisper 在启用 vad_filter 后，对 VAD 切分后的音频做转写，再把转写片段的时间戳从“已去除静音的音频”映射回原始音频时，restore_speech_timestamps 的片段边界还原不够严格：当某一段的语音结束点被模型估计在静音区间之后，还原后的 end 可能越过该 VAD chunk 的真实语音结束点，一直延伸到下一个 chunk 的 start，从而出现“前一段 end 等于下一段 start”的现象。

Issue 中维护者也指出：这并不完全是 VAD 的问题，Whisper 本身段级时间戳就不精确；但后续 PR #1676 确实针对“还原片段越界”这一具体行为做了修复，说明该时间戳还原逻辑存在可修正的边界处理缺陷。

环境排查

确认 Faster Whisper 版本是否已包含 PR #1676 的修复；若不确定，可先记录当前版本再升级测试。
确认是否启用了 vad_filter=True，以及 vad_parameters 中是否设置了 min_silence_duration_ms 等参数。
确认模型路径、device（如 cuda）、local_files_only 等调用参数是否与问题复现时一致。
确认是否使用了词级时间戳（word timestamps）；Issue 中说明该修复不影响词级时间戳。
若仍无法复现或判断，可准备一段可复现的音频，Issue 中维护者曾询问是否可提供音频复现，最好附英文音频便于排查。
Python、CUDA、PyTorch、显卡驱动、cuDNN 等版本 Issue 未提供，需按自身环境单独确认。

解决步骤

先确认当前问题是否只在 vad_filter=True 时出现：用同一音频分别跑一次开启和关闭 VAD 的转写，对比 segment.start 与 segment.end。
若确认是 VAD 还原后片段 end 等于下一段 start，优先尝试升级 Faster Whisper 到包含 PR #1676 修复的版本。
升级后重新运行原始调用，例如保持 model.transcribe("audio.wav", beam_size=5, language="zh", vad_filter=True, vad_parameters=dict(min_silence_duration_ms=1000)) 不变，观察片段边界是否被限制在真实语音区间内。
如果升级后仍不满足精度要求，可参考维护者建议启用词级时间戳以改善时间精度，或使用强制对齐获得更准确的时间。
若需要完全自定义 VAD 时间戳，可参考 Issue 中用户提出的思路：独立使用 Silero VAD 识别语音起止时间，关闭 Faster Whisper 的 vad_filter 和时间戳，再按 Silero VAD 给出的语音片段逐段调用 Faster Whisper 转写。注意该思路在 Issue 中未附完整代码，也未说明已被官方验证。

验证方法

用同一音频在修复前后各跑一次，比较每个 segment.start 和 segment.end：修复后，前一段的 end 不应再无条件等于下一段的 start，而应被限制在该 VAD chunk 的真实语音结束点以内。若使用 PR #1676 的单元测试场景，可用 chunks [0,5s] 和 [12,17s]、中间 7 秒静音被去除来验证：原先在去静音音频中结束于 6.0s 的 Whisper 词，还原后片段 end 会超过该 chunk 真实语音结束点 5.0s，修复后应被夹到 5.0s。