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。

下面列出 10 个具体场景，每个都注明适合与不适合的情况。

10 个场景

  1. 课程旁白配音：需要人工复核。
  2. 播客后期：可以做成固定模板。
  3. 会议录音转写：适合先小范围试用。
  4. 分轨练习：需要人工复核。
  5. 短视频配乐：适合先小范围试用。
  6. 有声读物试音：适合先小范围试用。
  7. 播客主：选题与提纲：适合先小范围试用。
  8. 自媒体创作者：选题与脚本：需要人工复核。
  9. 中小学老师：备课与分层练习：适合每周重复执行。
  10. 音乐人：编曲灵感：可以做成固定模板。

挑两个场景细看

播客后期

准备材料：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。

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。

不适合的场景

  • 需要专业资质最终签字的判断。
  • 无法核实来源却要公开发布的内容。
  • 涉及他人隐私且未获授权的材料。

延伸练习

有声读物试音

适用情况：手头有一个章节的文本时。

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。

验收标准：两种风格差异明显。

短视频配乐

适用情况：手头有一条 30 秒视频的情绪与节奏时。

生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。

检查点：结尾没有突然截断。

会议录音转写

适用情况：手头有一段 1 小时的会议录音时。

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】。

交付前确认：专有名词按名单校正。

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。

常见问题：转写错字集中在专有名词

提前提供人名、产品名词表，转写后批量替换。

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。

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：音乐人

音乐人可以用 WhisperX 处理编曲灵感、分轨练习等工作。需要注意：AI 生成音乐的版权归属以平台条款为准，发行前确认。

适合人群：播客主

播客主可以用 WhisperX 处理选题与提纲、音频后期等工作。需要注意：嘉宾声音和内容的再利用需取得同意。

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

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。

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。

延伸阅读