WhisperX 项目中 TXT 格式输出与说话人分离功能的整合分析

背景介绍

WhisperX 是一个基于 Whisper 的语音识别增强工具，它通过引入说话人分离（diarization）功能，能够识别音频中不同说话人的语音片段。然而，用户在使用过程中发现，当启用说话人分离功能时，输出的 TXT 文本格式文件并未包含说话人标签信息，这在实际应用中造成了不便。

问题本质

WhisperX 的 TXT 输出模块原本设计较为简单，仅输出纯文本内容，没有考虑说话人分离功能带来的元数据需求。这种设计在单说话人场景下工作良好，但在多说话人场景中就显得信息不足。

技术解决方案

现有实现分析

当前 WhisperX 的 WriteTXT 类实现仅输出文本内容，忽略了时间戳和说话人信息：

class WriteTXT(ResultWriter):
    extension: str = "txt"
    def write_result(self, result: dict, file: TextIO, options: dict):
        for segment in result["segments"]:
            print(segment["text"].strip(), file=file, flush=True)

改进方案

针对说话人分离场景，可以修改 TXT 输出格式以包含更多信息：

class WriteTXT(ResultWriter):
    extension: str = "txt"
    def write_result(self, result: dict, file: TextIO, options: dict):
        for segment in result["segments"]:
            start = format_timestamp(segment["start"])
            end = format_timestamp(segment["end"])
            speaker = segment.get("speaker", "Unknown")
            text = segment["text"].strip()
            print(f"{start}\t{end}\t{speaker}\t{text}", file=file, flush=True)

这种改进后的格式包含了时间戳和说话人标签，为后续处理提供了更完整的信息。

用户场景优化

针对不同用户需求，可以考虑以下两种输出模式：

1. 详细模式：包含时间戳和说话人标签，适合需要精确对齐的场景
2. 简洁模式：仅标注说话人变化，形成自然段落，适合阅读场景

简洁模式的理想输出示例：

[SPEAKER_08]: 这是第一个说话人的完整段落内容，
可以跨越多行而不重复说话人标签。

[SPEAKER_05]: 第二个说话人的内容同样以段落形式呈现，
便于阅读和理解对话流程。

实现建议

为了保持向后兼容性，建议通过命令行参数控制输出格式：

• --txt_format simple：原始纯文本模式
• --txt_format detailed：包含元数据的详细模式
• --txt_format paragraph：段落式说话人标签模式

技术挑战

实现这一改进需要考虑以下技术点：

1. 如何将命令行参数传递到输出模块
2. 如何处理说话人标签的连续性检测
3. 如何优化段落合并算法以避免不必要的中断
4. 保持与其他输出格式(SRT,VTT)的一致性

总结

WhisperX 的 TXT 输出功能增强是一个典型的工程优化案例，展示了如何根据实际使用场景调整工具输出格式。通过合理设计输出选项，可以在不破坏现有功能的前提下，为多说话人场景提供更好的支持。这种改进不仅提升了工具实用性，也体现了对用户工作流程的深入理解。