在本研究中，我们旨在对当前最先进的自动音频字幕生成模型——EnCLAP框架进行分析与优化。通过系统探究声学编码器组件的修改对模型性能的影响，评估在不同数据规模下进行预训练的效果，并深入研究重排序（reranking）策略的有效性，我们基于大量实验与生成字幕的定量分析，提出改进版本EnCLAP++。该优化版本在性能上显著超越原始模型，展现出更强的生成能力与鲁棒性。