如何构建香港粤语口语的数据集（对齐粤语口语-粤语书面语）

针对 qwen3-asr-1.7B 与 whisper-large-v3 在港式粤英混说场景下易出现语言省略、翻译和幻觉的问题，开发者设计了一套自动构建微调数据集的 pipeline。该流程通过硬字幕检测、VAD、OCR 识别截帧字幕，并尝试利用 Qwen3-ForcedAligner 将文本与音频强制对齐；但在实践中遇到了视频硬字幕多为书面语，导致无法匹配音频中实际粤语口语词的对齐失败困境。