Whisper Python脚本设置word_timestamps实现逐词字幕问题

要实现逐词级的WEBVTT转录，你需要在model.transcribe()中开启word_timestamps参数，同时确保正确配置解码选项和字幕写入器。你的现有代码存在几个关键问题：没有启用词时间戳、未正确传递解码选项、使用了SRT写入器而非WEBVTT。

以下是修改后的完整代码：

import whisper
from whisper.utils import get_writer

# 加载模型
model = whisper.load_model('base.en')

# 配置解码选项（可直接在transcribe中指定，也可单独创建）
decoding_options = whisper.DecodingOptions(language='en', fp16=False)

audio_path = 'final_video.mp4'
# 核心：开启word_timestamps参数，获取逐词时间戳
result = model.transcribe(audio_path, decoding_options=decoding_options, word_timestamps=True)

output_dir = "./"
# 配置字幕排版选项，配合word_timestamps生效
vtt_options = {
    "highlight_words": True,
    "max_line_count": 1,  # 设置为1实现逐词单行显示，可按需调整
    "max_line_width": 10  # 限制每行宽度，确保字幕按单词拆分
}

# 使用WEBVTT写入器而非SRT
vtt_writer = get_writer("vtt", output_dir)
vtt_writer(result, audio_path, vtt_options)

关键修改说明： #

• 开启词时间戳：在model.transcribe()中添加word_timestamps=True，这是生成逐词字幕的核心——开启后Whisper会在结果中包含每个单词的起始/结束时间戳。
• 传递解码选项：将创建的DecodingOptions通过decoding_options参数传入transcribe，确保语言、FP16等配置生效（注意fp16要传布尔值False而非字符串'false'）。
• 切换到WEBVTT写入器：将get_writer("srt", ...)改为get_writer("vtt", ...)，匹配你需要的字幕格式。
• 调整排版参数：max_line_count设为1可以让每个单词单独占一行，实现逐词级显示；max_line_width配合限制每行长度，确保字幕按单词拆分。

你参考的代码片段提示highlight_words等选项依赖word_timestamps=True，所以必须先开启词时间戳，这些排版选项才能生效。

内容的提问来源于stack exchange，提问作者maximeb