译者说明：本文译自 OpenAI 官方 Cookbook。原文为 Jupyter Notebook，含可运行代码与音频示例；此处翻译全部说明性内容。

Whisper 提示词指南

OpenAI 的音频转录 API 有一个可选参数叫 prompt。

这个参数的本意是帮助拼接多个音频片段：把上一段的转录稿通过 prompt 提交进去，Whisper 模型就能利用这个上下文更好地理解语音，并保持一致的书写风格。

但提示词不必是真实的前段转录稿。 你可以提交虚构的提示词，来引导模型使用特定的拼写或风格。

本文分享两种用虚构提示词引导输出的技术：

• 转录稿生成：用 GPT 把指令转换成虚构的转录稿，供 Whisper 模仿
• 拼写指南：告诉模型人名、产品名、公司名该怎么拼

这些技术并不是特别可靠，但在某些情况下很有用。

和给 GPT 写提示词的区别

给 Whisper 写提示词，和给 GPT 写提示词不是一回事。

举例来说，如果你提交一条类似「用 Markdown 格式排列表」的指令，模型不会照做——因为它跟随的是提示词的风格，而不是其中包含的任何指令。

此外，提示词限制在 224 个 token 以内。如果提示词超过 224 个 token，只有最后 224 个 token 会被考虑；之前的全部被静默忽略。

要得到好结果，请精心构造能体现你所需风格的示例。

转录稿会跟随提示词的风格

原文用一段播客做基线测试：在无提示词的转录里，「President Biden」是首字母大写的。

试着用提示词让它写成小写的 “president biden”——先传一个小写的 president biden 作为提示词，看 Whisper 会不会匹配这个风格。

要注意，当提示词很短时，Whisper 跟随其风格的可靠性较低。较长的提示词在引导 Whisper 时可能更可靠。

换成更长的提示词再试一次，效果更好。

另外值得注意的是，对于那些罕见的、不像正常转录稿的古怪风格，Whisper 不太会跟随。

传入名称，防止拼写错误

Whisper 可能会把不常见的专有名词转录错——比如产品名、公司名、人名。

用提示词可以纠正这些拼写。

原文用一段满是产品名的音频做演示：把产品名和公司名作为一份术语表传进提示词，让 Whisper 遵循。

接着换到另一段专门录制的音频（关于一场古怪的烧烤）：

虽然 Whisper 的转录是准确的，但它不得不猜测各种拼写。例如，它假设两位朋友的名字拼作 Amy 和 Sean，而实际上是 Aimee 和 Shawn。

传入正确拼写之后：

成功了！

原文接着用更容易产生歧义的词做了同样的测试。

可以用 GPT 生成虚构提示词

生成虚构提示词的一个可行工具就是 GPT：给它指令，让它生成较长的虚构转录稿，再用这些稿子去提示 Whisper。

一条重要边界

Whisper 提示词最适合用来指定那些原本存在歧义的风格。

提示词不会覆盖模型对音频本身的理解。 例如，如果说话人并没有浓重的南方口音，提示词不会让转录稿变成那样。

译后附记：研究访谈怎么用

这篇和转录访谈时模型为什么会把品牌名听成别的是配套的——那篇讲机制和通用做法，这篇是它在 Whisper 上的具体实现。

核心用法：一份拼写表

转录深访之前，先准备好这次会出现的专有名词：

Aimee, Shawn, 品牌甲, 品牌乙, XJ-200, 华东大区, 私域运营

把它作为 prompt 传进去。Whisper 会照着这个拼写走。

三条要记住的差异

一、它跟随风格，不执行指令。

❌ 「请把品牌名都拼写正确」——这句话本身没用，它不会读懂这是一条指令 ✅ 直接把正确的拼写写出来，让它模仿

二、224 token 的硬限制，超出部分静默丢弃。

这条很坑：你不会收到任何报错，只是前面的内容被无声地忽略了。

推论：把最重要的词放在最后。 如果术语表太长，按重要性排序，最关键的那几个放在末尾。

三、短提示词不可靠，长的更稳。

只传三个词可能引导不动。把术语表写成一段自然的句子，效果通常比裸列几个词好：

本次访谈涉及 Aimee 与 Shawn 两位受访者，讨论了品牌甲的 XJ-200 型号
在华东大区的私域运营情况。

这样既在 224 token 内，又给了足够的语境。

一个务实的流程

1. 访谈前：从提纲和客户资料里摘出专有名词，写成一段话
2. 转录时：作为 prompt 传入
3. 转录后：把这段话里的每个词在转录稿里搜一遍，确认拼写一致
4. 仍然要抽查——提示词不会覆盖它对音频的理解，听不清的地方它还是会猜

第 3 步只需要一分钟，但它是这套做法唯一的验证环节。没有这一步，你不知道提示词有没有起作用。