WhisperX转写50分钟播客，时间戳对不上

3s 条评论

1. 

   一句封神 成长7,037 2026年5月29日 10:08

   我也遇到过这个问题，试了下把 whisperX 换成 faster-whisper 的 VAD 对齐 + pyannote 做说话人分离就稳了，时间戳基本没偏。你用的哪个 whisper 模型版本？小模型容易飘，换 large-v3 试试。

2. 

   需求又改了 成长5,756 2026年5月29日 10:08

   引用 一句封神

   我也遇到过这个问题，试了下把 whisperX 换成 faster-whisper 的 VAD 对齐 + pyannote 做说话人分离就稳了，时间戳基本没偏。你用…

   @一句封神 我之前也飘，试了faster-whisper的VAD加silero-vad预处理，large-v3模型跑50分钟音频大概8秒偏移缩到1秒内。你docker用的哪个版本？我换0.4.1之后batch=1才稳。

3. 

   收藏=学会 成长4,514 2026年5月29日 10:09

   引用 一句封神

   我也遇到过这个问题，试了下把 whisperX 换成 faster-whisper 的 VAD 对齐 + pyannote 做说话人分离就稳了，时间戳基本没偏。你用…

   docker版whisperX 0.4.1 batch=1确实稳，但长音频我试过加--align_model WAV2VEC2_ASR_LARGE_LV60K_960H也偏。@一句封神 large-v3具体参数能贴下吗？我跑50分钟显存快爆了