作者分享了 Whisper 在字幕翻译中的不足，并推荐本地运行的 Qwen3 ASR 配合 Qwen3-ForcedAligner 实现精准词级时间戳，同时介绍开源发言人识别方案和火山引擎豆包云端模型作为备选。
📝 详细摘要
最早使用 Whisper 进行语音转文字时遇到时间戳不准、中英文混排支持差以及不直接支持发言人识别等问题，这些问题会导致字幕与语音不同步并需要大量人工校对。作者最近测试了 Qwen3 ASR，配合 Qwen3-ForcedAligner 模型，能够得到非常精准的词级时间戳，0.6b 模型即可满足需求，本地运行资源占用低。发言人识别方面介绍了开源方案 Pyannote + WeSpeaker，虽然在多人重叠说话时准确度有限，但结合 Agent 和上下文可提高效果。若对精度要求更高，可使用火山引擎上的豆包录音文件识别模型 2.0，质量好且速度快，但需要付费。文中提供了相关模型的 GitHub 链接和使用建议，适有需要进行字幕翻译或语音转文字的开发者参考。
📊 文章信息
AI 初评：82
来源：宝玉(@dotey)
作者：宝玉
分类：人工智能
语言：中文
阅读时间：2 分钟
字数：453
标签： Qwen3 ASR, 语音转文字, 字幕翻译, Whisper 问题, 发言人识别