先说清楚它是什么：WhisperX 属于「音频与语音」方向的开源项目，在 Whisper 基础上加入词级时间戳与说话人分离的开源工具。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
清晰度语音是否清楚、无明显杂音明显不合格无需修改即可使用
准确性转写或朗读是否与文本一致明显不合格无需修改即可使用
自然度停顿、语调是否像真人明显不合格无需修改即可使用
一致性多段音频音量与音色是否统一明显不合格无需修改即可使用
授权音色、音乐是否有合法使用依据明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

播客后期

输入：一期双人录制的原始音频。

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。

检查点：人声没有被处理得发闷。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 WhisperX 的结果与人工完成或 FunASR 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

延伸练习

有声读物试音

准备材料：一个章节的文本。

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。

检查点：两种风格差异明显。

会议录音转写

输入：一段 1 小时的会议录音。

转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。

检查点：专有名词按名单校正。

课程旁白配音

输入：一份 800 字的讲解稿。

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：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：克隆音色不稳定

使用更干净、更长的样本，避免背景音乐和回声。

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。

概念补充：响度标准化

把音频调整到平台推荐的响度范围，避免忽大忽小。

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：中小学老师

中小学老师可以用 WhisperX 处理备课与分层练习、批改反馈与评语等工作。需要注意：学生个人信息和成绩不要上传到未经学校批准的工具。

适合人群：记者编辑

记者编辑可以用 WhisperX 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。

注意事项

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。

涉及个人信息、商业机密或受监管数据时，先确认 WhisperX 的数据处理条款，再决定能否使用。

延伸阅读