# 时序与装配 (https://hypit.ai/zh/quickstart/timing/)
> 逐 Take 归一化与语义对齐，然后装配为 SemanticTrack。
对于说话视频，`SemanticTrack` 把作者的 Script 与实际表演联系起来，是字幕、随词语出现的图形和覆盖画面的自然时间来源。它按 Segment 粒度构建：
1. 把每个已接受的音视频 Take 归一化到同一个精确帧域；
2. 将归一化媒体与对应的 Script Segment 对齐，得到自包含的 `SemanticTake`；
3. 用 `speech:Track` 按节目顺序装配这些 Semantic Take。
每个 Take 在进入 Speech Track 之前就已经具有语义。画面由 Media Track 或项目组件呈现，与这里的语义和音频装配分别表达。
纯视觉动画也可以通过 ProgramSpace 声明自己的时长与帧率，见 [纯组件绘制的影片](/zh/quickstart/composition)。其事件可以使用秒或帧；说话视频则可以用 Script Selection 和 Moment 驱动相同的视觉行为。
```svml
```
## 逐 Take 归一化 [#逐-take-归一化]
归一化把视频、音频、时长和帧率变成一个明确的 `SynchronizedMedia` 事实。同一条
SemanticTrack 内的所有 Take 共享作者显式声明的 Clock。
```svml
```
归一化不包含 Script 语义，也不负责转录；它只建立后续语义对齐可以信任的客观媒体事实。
## 每个 Segment 产生一个 SemanticTake [#每个-segment-产生一个-semantictake]
`whisperx:SemanticTake` 测量一段归一化媒体，并把声学证据与唯一一个作者 Segment 对齐：
```svml
```
每次对齐都必须显式填写 `language`，目前只接受 `en` 或 `zh`。该值会原样传给 WhisperX；
Hypit 不会根据 Script 文本或音频自动检测、分流语言。
每个输出都自带归一化媒体、Segment 身份、每个作者词语的局部帧窗口以及该 Segment 的全部
结构锚点：Segment 有两个锚点，每个词也有两个锚点。声学证据只是这一步的实现输入；下游
组件看到的是完成后的 `SemanticTake`，而不是第二套 evidence 形状的时间结构。
## 装配 SemanticTrack [#装配-semantictrack]
`speech:Track` 按文档顺序拼接已经语义化的 Take，提供语义时间线及原声音频；Media 独立呈现表演画面：
```svml
```
| 输出 | 类型 | 含义 |
| ------------------- | ------------- | ---------------- |
| `{speech.semantic}` | SemanticTrack | 全局语义与帧域真相 |
| `{speech.audio}` | AudioTrack | 与语义 item 对齐的同源声音 |
画面组件和原声音频使用同一批素材及源位置。`SemanticTrack` 通过局部 Take 长度的前缀和
得到全局帧位置，同时提供 Film 和 Render 所需的节目时长与帧域。
## 消费语义时间 [#消费语义时间]
Selection、Moment 与完整 Segment 始终是 Script 中的作者身份。下游组件只接收一次
SemanticTrack，并在构建确定性 Track 时把这些身份投影成帧：
```svml
```
整段使用 `during={story.segment.answer}`，作者范围使用 Selection，点事件使用 Moment，完整节目使用 `during="program"`。组件统一消费 `semantic={speech.semantic}`。
```text
prepared Takes → Speech Track ── .semantic → Media / project scene → .visual ─┐
│ └──→ Caption / semantic graphics ───┤
└───── .audio ────────────────────────────────────┤
Film
```