如何通过OpenAI Whisper API获取单词时间戳？

要通过OpenAI Whisper API获取附带单词时间戳的转录结果，需使用API专属的参数配置——本地模型的word_timestamps=True参数在API中不适用，具体设置如下：

关键参数配置 #

• response_format: 必须设置为verbose_json，这是获取详细转录元数据（包括时间戳）的前提
• timestamp_granularities: 设置为["word"]，明确要求返回单词级别的时间戳

Python请求示例 #

from openai import OpenAI

client = OpenAI()

response = client.audio.transcriptions.create(
    model="whisper-1",
    file=open("your_audio_file.mp3", "rb"),
    response_format="verbose_json",
    timestamp_granularities=["word"]
)

# 提取目标单词时间戳数据
word_timestamps = response.words
print(word_timestamps)

返回结果示例 #

请求成功后，返回的verbose_json格式中，words字段即为你需要的结构化数据：

[
    {"start": 0.0, "end": 0.5, "word": "hello"},
    {"start": 0.5, "end": 1.0, "word": "world"}
]

失败原因排查 #

若此前尝试未成功，通常是因为未同时配置上述两个参数——response_format和timestamp_granularities缺一不可；另外需确保使用的是最新版OpenAI Python库，旧版本可能不支持timestamp_granularities参数。

内容的提问来源于stack exchange，提问作者SazCoR