陆零云
28
0
客服录音转写接了 Whisper,质检同事对了一百条,金额和工号错得离谱。原文说的是三万五,转写出来是「3.5 万」,另一条「订单 35000 元」被写成「三万五元」。模型没错,是我没做数字规范化,把口语原样落库了。
第一版写了个正则,把中文数字整体换成阿拉伯数字。跑完更乱,一句话里的「十分抱歉」变成「10 分抱歉」,「一下」变成「1 下」,「三天内回复」变成「3 天内回复」,一眼能看出是机械替换。
试过只在金额前后做替换,用「元」「块」当锚点。命中率上来...
陆零云
29
0
2.4 小时的粤语客服录音,交给 Whisper 转写,出来一半是日文汉字,一句道谢被写成日文敬语。人工抽五十条核对,字符错误率三成八。
第一反应是模型太小,从小模型换到最大版本,错字少了些,仍然是日文。把温度参数从零调到 0.2 再跑,输出更飘,问题没动。又把提示词写成以下是普通话,模型开始输出书面语,口语里的语气词全变成的、了这类书面表达,客服质检要的是原话,这一项不能加。
单独调语种检测,前三十秒返回日语,置信度 0.63,中文只有 0.31。粤语和...
陆零云
26
0
20 分钟的会议录音 1800 秒,用 faster-whisper 的 large-v3 整段转写,导出的 srt 前 5 分钟跟音频对得上,最后一段字幕比说话晚 8 秒,越往后偏得越多。
第一反应是模型幻觉,检查文本没有重复也没有漏句,只是时间戳整体后移。换成 medium 偏差小一点但仍然存在,说明跟模型大小无关,是时间轴在累加。
翻实现才明白,整段输入时内部按 30 秒窗口切,每个窗口单独预测时间戳,误差在 60 个窗口里累积;再加上开了 VAD,...
陆零云
32
0
用 faster-whisper 1.0.3 加 large-v3 转 120 分钟的访谈录音,出来的文字一个标点都没有,整段连成一行,人工校对要重听一遍断句。language 设的 zh,task 是 transcribe,beam_size 5,vad_filter 开着。英文素材同样参数是有标点的,说明不是模型不会断句,是中文输出习惯。
先试 initial_prompt,塞一句「以下是普通话的句子,请加上标点。」,标点回来一部分,主要是逗号和问号,...