使用 Hugging Face 的 pipeline 调用微调版 Whisper 模型（如 ivrit-ai/whisper-large-v2-tuned）进行长音频转录时，若未显式指定目标语言，模型会尝试自动检测——当音频中存在语种混杂或检测置信度波动时，将抛出“Multiple languages detected”错误；解决方法是通过 generate_kwargs 强制传入标准化语言标记（如 ）。
使用 hugging face 的 `pipeline` 调用微调版 whisper 模型（如 `ivrit-ai/whisper-large-v2-tuned`）进行长音频转录时，若未显式指定目标语言，模型会尝试自动检测——当音频中存在语种混杂或检测置信度波动时，将抛出“multiple languages detected”错误；解决方法是通过 `generate_kwargs` 强制传入标准化语言标记（如 ``。
Whisper 系列模型（包括微调版本）内部采用特殊的语言 token 格式（如 、、）来标识目标语言，而非普通字符串（如 "en" 或 "english"）。当启用 chunk_length_s 进行长音频分块处理时，pipeline 会在每个 chunk 上独立执行语言预测；若音频内容存在口音变化、背景语音、术语夹杂等情况，不同 chunk 可能被判定为不同语言，从而触发该 ValueError。
✅ 正确做法是：始终通过 generate_kwargs 显式传递 task 和 language 参数。例如：
prediction = pipe(
audio,
batch_size=8,
return_timestamps=True,
generate_kwargs={
"task": "transcribe", # 必填：区分 transcribe / translate
"language": "<|en|>" # 必填：使用 Whisper 官方 token 格式
}
)["chunks"]⚠️ 注意事项：
- 中的 en 必须与音频实际语言严格一致（如中文用 ，希伯来语用 ），否则会导致识别准确率显著下降；
- 不要省略 task="transcribe" —— 即使默认为 transcribe，显式声明可避免 pipeline 在某些版本中误推断为翻译任务；
- 若音频确为多语混合（如中英交替会议），需先做语音分割与语种分类预处理，再分段送入模型，不可依赖单次强制语言设定；
- language 参数仅影响解码阶段的语言先验，不改变模型权重，因此不会提升非目标语言的识别能力。
最后，保存带时间戳的转录结果时，建议优化格式以提升可读性：
with open('transcription.txt', 'w', encoding='utf-8') as f:
for chunk in prediction:
start, end = chunk["timestamp"]
f.write(f"[{start:.2f}s - {end:.2f}s] {chunk['text'].strip()}\n")此举不仅规避了语言检测异常，也确保了长音频流水线（pipelining）稳定、可复现、符合 Whisper 微调模型的设计预期。
