OpenAI 的 Whisper 可以提供漂亮、干净的文字记录。现在我希望它能生成更多原始记录，其中还包含填充词（ah、mh、mhm、uh、oh 等）。这里的帖子告诉我，可以通过将标准化设置为 false： https: //huggingface.co/spaces/openai/whisper/discussions/30
我设法使用了这段代码，但我只得到了 30 秒的耳语转录。如何让它处理更长的音频文件？
请注意，我是一个耳语和Python的初学者。
到目前为止我所做的：我主要使用https://huggingface.co/spaces/openai/whisper/discussions/30中的代码因为我不想使用虚拟数据集，所以我使用 librosa 加载本地 mp3 。我想还有其他方法可以做到这一点，我对此持开放态度。
据我了解，指示耳语处理器对于停用标准化是必要的。因此，这里使用的不是耳语 ( import whisper) 而是耳语 via transformers。相关开关是normalize = False。
我的代码（myscript.py）：
from transformers import WhisperProcessor, WhisperForConditionalGeneration
import librosa
speech, _ = librosa.load("myaudio.mp3", sr=16000, mono=True)
processor = WhisperProcessor.from_pretrained("openai/whisper-large")
model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-large")
model.config.forced_decoder_ids = processor.get_decoder_prompt_ids(language = "de", task = "transcribe")
input_features = processor(speech, return_tensors="pt", sampling_rate=16000).input_features
predicted_ids = model.generate(input_features)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens = True, normalize = False)
print(transcription)
到目前为止效果很好。但是，仅转录前 30 …