MLX-Examples中的Whisper项目新增多格式输出支持

MLX-Examples项目中的Whisper实现近期迎来重要更新，现已全面支持多种输出格式，包括VTT字幕文件以及完整的JSON格式输出。这一更新显著提升了该工具在实际应用场景中的灵活性。

输出格式扩展背景

Whisper作为领先的语音识别模型，在实际应用中需要适配不同的下游需求。早期的MLX实现仅支持基础的文本输出，而现代应用场景往往需要更丰富的元数据和时间戳信息。此次更新填补了这一功能空白，使开发者能够更便捷地将识别结果集成到各类应用中。

支持的主要输出格式

1. VTT格式：标准的Web视频文本轨道格式，可直接用于视频字幕制作
2. JSON基础格式：包含分段文本和基本时间信息
3. JSON完整格式：除基础信息外，还包含词级时间戳和置信度等详细元数据

技术实现特点

MLX框架下的Whisper实现充分利用了Apple芯片的硬件加速能力，在保持高性能的同时扩展了输出选项。与原始Whisper.cpp实现相比，MLX版本在M系列芯片上展现出显著的性能优势，同时现在也提供了同等级别的输出灵活性。

应用场景建议

• 视频制作：使用VTT格式快速生成字幕
• 数据分析：通过JSON完整格式获取细粒度的语音识别元数据
• 实时应用：基础文本格式满足快速展示需求

这一更新使得MLX-Examples中的Whisper实现更加完善，为开发者提供了从原型开发到生产部署的完整解决方案。