Whistle 30 秒上限：长音频切分完整方案

Whistle 单次最多 30 秒。直接截断会丢字，正确做法是在安静处切——本文给出切点算法、可运行脚本与词时间戳回移方法。

为什么是 30 秒

Whistle 的编码器是非因果的：一个 3 秒处的词可以参考 12 秒处的信息。这意味着它必须一次看到整段音频，没法边听边出字。音频前端按 10 ms 步长生成帧，卷积 stem 三次减半后，30 秒音频压成 375 帧（每帧 80 ms）——这就是 30 秒上限的来源。长音频不是模型偷懒，是架构决定的。

三种处理方式

① 自己切成 ≤30 秒的片段再逐段转录（本文方案，最可控）；② 用上层框架的流式接口，由框架内部切片与拼接；③ 换用支持长音频的模型。若你要的是会议转写，Whistle 本身就不合适——它在 AMI 会议集上词错率 26.07%，约每四个词错一个，换模型比优化切分更划算。

切点算法：在安静处切，不要在词中间切

关键参数：在每 24 秒标记附近搜索 ±3 秒的窗口，取窗口内能量最低的 20 ms 帧作为切点。为什么是 24 秒而不是 30 秒：留出余量，避免片段尾部被截断。为什么找安静帧：人说话的词与词之间有自然停顿，在停顿处切不会把任何一个词劈成两半。

import wave, numpy as np

def frame_rms(x, sr, frame_ms=20, hop_ms=10):
    f, h = int(sr*frame_ms/1000), int(sr*hop_ms/1000)
    win = np.lib.stride_tricks.sliding_window_view(x, f)[::h]
    return np.sqrt((win.astype(np.float64)**2).mean(axis=1)), np.arange(len(win))*h

def find_cut_points(x, sr, mark_s=24.0, search_s=3.0, max_s=30.0):
    maxlen = int(sr*max_s)
    if len(x) <= maxlen:
        return [0, len(x)]
    mark, window = int(sr*mark_s), int(sr*search_s)
    cuts, pos = [0], 0
    while len(x) - pos > maxlen:
        center = pos + mark
        lo = max(pos+1, center-window)
        hi = min(center+window, pos+maxlen-1)
        rms, offs = frame_rms(x[lo-int(sr*0.02):hi], sr)
        pos = lo + int(offs[int(np.argmin(rms))]) if len(rms) else pos+maxlen
        cuts.append(pos)
    cuts.append(len(x))
    return cuts

完整脚本：切分 + 转录 + 时间戳回移

切完之后每段单独送进 Whistle，再把各段的词时间戳加上该段在原录音里的偏移量，拼回完整时间轴。

import needle
from core.splitter import read_wav_mono, find_cut_points, shift_words

x, sr = read_wav_mono("long.wav")     # 必须是 16 kHz mono 16-bit PCM
cuts = find_cut_points(x, sr)
segments, language = [], None

for i in range(len(cuts)-1):
    piece = x[cuts[i]:cuts[i+1]]
    out = needle.transcribe(piece, language=language, word_timestamps=True)
    language = language or out["language"]   # 首片检测到的语言，后续锁定
    segments.append({"offset_s": cuts[i]/sr, "words": out.get("words", [])})
    print(out["text"])

words = shift_words(segments)          # 回移到整段录音的时间轴

四个坑

① 静音短路：引擎在解码前先测响度，低于阈值直接返回空文本，不会进入解码。整段静音的片段会得到空结果，这是设计如此，不是 bug。② 空片段：长录音里的静音区会被切成独立片段，产出空文本，拼接时要过滤。③ token 上限：单片段转写上限 320 个 token，语速极快的段落可能被截断。④ 单次请求上限约 1 小时，更长的录音需自行分批。

静音反而会输出 Thank you 是怎么回事

有用户在 Hacker News 上报告：把 Whistle 跑在一集电视剧上，它有时卡住、连续 60 秒输出「Thank you.」。官方的静音短路能处理纯静音，但超出 30 秒窗口的嘈杂长音频仍可能触发填充词。这是 16.9 MB 小模型的已知边界，遇到时优先怀疑音频是否超出了设计场景，而不是调参。

常见问题

相关页面

• Whistle 认错了我的产品名：keyword biasing 怎么用（含上限与坑）
• WER 自测工具（先量出基线，再谈优化）
• 设备估算器（长音频切分也要算得动）
• Whistle vs Whisper base