OpenAI Whisper 批量转录管道

要解决的问题

把一批录音从对象存储变成可用的字幕和文稿，看起来只是「跑个模型」，实际工程里往往卡在几处：长音频显存放不下、时间轴对不上、产物散落本地还得手动上传。这个技能面向的是批量、存储在 S3 的音频文件，而不是临时拖进命令行的一个 mp3。

管道如何工作

• 切片预处理：用 ffmpeg 把整段录音切成 30 秒 的 chunk，避免一次性送入模型导致的显存压力，也便于按片段对齐时间戳。
• 模型转录：调用 Whisper 的 large-v3 模型逐片识别，输出带时间戳的结果。
• 产物落盘：同时生成 SRT 和 VTT 两种字幕格式，外加一份纯文本转录稿，方便下游按场景取用。
• 回传存储：处理完成后把字幕和文稿重新上传回 S3，与原始音频放在一起，避免产物留在临时环境里丢失。
• 语言处理：支持自动检测源语言；需要时也可将识别结果翻译为英文，适合素材语种混杂、最终统一成英文字幕的场景。

适用边界与注意点

• 它解决的是「批量」和「云端文件」这两个维度，如果输入是本地临时文件、且量很小，直接用 Whisper 单次推理会更简单。
• 30 秒切片意味着时间戳精度受切片边界影响，极短的提示音、重叠说话仍可能被切到不同片段。
• 翻译依赖模型本身的翻译能力，质量不如专业译员或专用翻译服务，生产用途需要人工校对。
• 运行环境需要系统级提供 ffmpeg，并配合 PyTorch 运行时；上游基于 Python 3.9.9 与 PyTorch 1.10.1 训练测试，代码预期兼容 Python 3.8–3.11 及较新版本的 PyTorch，但跨版本时仍应先小规模验证。
• 字幕格式只覆盖 SRT 与 VTT，需要 ASS/SRT 之外格式的要自己再做一层转换。