WhisperX 新手第一练：一个可交付的小任务
WhisperX 是一款开源项目：在 Whisper 基础上加入词级时间戳与说话人分离的开源工具。
与其看十篇介绍，不如完整做一个小项目，这篇带你走一遍。
项目：有声读物试音
目标：用 WhisperX 完成一次「有声读物试音」，交付一份可以直接给同事或客户看的结果。预计用时 1 小时以内。
步骤
- 阅读仓库 README 与许可证。
- 准备材料：一个章节的文本（先脱敏）
- 复制下面的提示词，替换方括号内容。
- 第一次结果出来后，只针对一个问题追问修改。
- 按验收标准检查：两种风格差异明显。
- 保存提示词与最终结果，写三行复盘。
用两种不同的声音风格朗读这一章节的前 300 字：一种沉稳叙述，一种轻松亲切，对比后选择更适合的版本。
复盘模板
这次任务：
节省或多花的时间：
需要人工修改的地方：
下次会改进的提示：
是否继续使用：
做完之后
可以尝试第二个任务「短视频配乐」，或者把这次的流程分享给同事一起试。
更多可以试的用法
播客后期
适用情况：手头有一期双人录制的原始音频时。
处理这期音频：降低底噪、统一两人音量、删除超过 2 秒的停顿，保留自然的语气词，输出前后对比的处理记录。
交付前确认：人声没有被处理得发闷。
分轨练习
输入：一首用于练习的歌曲音频。
把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。
检查点：分离后人声没有明显残留伴奏。
课程旁白配音
适用情况：手头有一份 800 字的讲解稿时。
把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。
检查点：数字读法不会产生歧义。
常见问题：合成语音读错多音字
在文本中改用同音字或拼音标注，或使用工具的发音词典。
常见问题：配乐与画面情绪不符
先写清情绪关键词和节奏，再分段生成拼接。
常见问题：降噪后声音发闷
降低处理强度，宁可保留少量底噪。
概念补充：采样率
每秒采样次数，影响音质与文件大小。
概念补充：说话人分离
在转写中区分不同发言人，便于整理会议记录。
适合人群：客服人员
客服人员可以用 WhisperX 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。
适合人群：视频剪辑师
视频剪辑师可以用 WhisperX 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。
适合人群：研究生
研究生可以用 WhisperX 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。
使用提醒
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。
文中提示词和示例仅作示意，实际效果取决于你的材料和 WhisperX 当前版本，重要内容请人工核对后再使用。