使用Distil-Whisper时return_timestamps=True导致时间戳每30秒重置的问题求助

问题背景 #

我正在用Transformers pipeline调用Distil-Whisper做语音识别，当设置return_timestamps=True时，时间戳会每30秒重置为0，而不是在整个音频文件中持续递增。

我的代码 #

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    max_new_tokens=128,
    torch_dtype=torch_dtype,
    device=device,
    return_timestamps=True,
)

result = pipe("audio.mp4")

当前输出 #

输出里的时间戳是这样的：

{'chunks': [
    {'text': 'First segment', 'timestamp': (0.0, 5.2)},
    {'text': 'Second segment', 'timestamp': (5.2, 12.8)},
    {'text': 'Later segment', 'timestamp': (28.4, 30.0)},
    {'text': 'Should be ~35s but shows', 'timestamp': (0.0, 4.6)},  # 这里重置了！
    ...
]}

预期行为 #

我期望时间戳能跨过30秒继续递增，比如：

{'chunks': [
    {'text': 'First segment', 'timestamp': (0.0, 5.2)},
    {'text': 'Second segment', 'timestamp': (5.2, 12.8)},
    {'text': 'Later segment', 'timestamp': (28.4, 30.0)},
    {'text': 'Continues properly', 'timestamp': (30.0, 34.6)},  # 应该正常延续
    ...
]}

环境信息 #

• Python 3.10
• transformers 4.36.2
• torch 2.1.2
• 模型：distil-whisper-large-v3

请问该如何修复这个时间戳重置的问题？有没有办法让时间戳在整个音频文件中持续递增？

备注：内容来源于stack exchange，提问作者Martin Zhu