如何避免Whisper模型转录音频时自动修正语法？

代码修正 #

你的代码存在两处错误：导入语句缺失load_model，且调用方法名写错（应为transcribe而非transcript），修正后代码如下：

from whisper import load_model

fname = 'audioFile'
model = load_model('small')

result = model.transcribe(fname)
print(result["text"])

语法自动修正的解决方法 #

Whisper默认会对转录文本做语法规范化，要保留原始音频的口语化/不完整表达，可尝试以下方案：

• 调整解码参数抑制修正
  设置temperature=0.0让模型选择最确定的转录结果，同时搭配beam_size限制解码路径，减少自动修正：

  result = model.transcribe(fname, temperature=0.0, beam_size=5)
  

• 用初始提示引导模型
  通过initial_prompt明确告知模型保留原始表达，同时指定language="en"提升英语识别精度：

  prompt = "保留原始口语表达，不要修正语法或调整语序"
  result = model.transcribe(fname, initial_prompt=prompt, language="en")
  

• 提取单词级结果拼接
  开启word_timestamps=True获取逐词转录数据，直接拼接单词可跳过句子级语法修正：

  result = model.transcribe(fname, word_timestamps=True)
  original_text = " ".join([word["word"] for seg in result["segments"] for word in seg["words"]])
  print(original_text)
  

• 尝试更大模型
  small模型为了速度做了精度妥协，base/medium等更大模型对口语化内容的识别更准确，过度修正概率更低，可测试对比效果。

内容的提问来源于stack exchange，提问作者mann