病理语音是指因声带息肉、喉炎、声带麻痹等嗓音疾病导致声学特征异常的说话声音。这类语音常表现为基频不稳定、发音无力、气息声重或音节断裂。Whisper作为开源的自动语音识别模型，虽然并非为医疗设计，但其强大的泛化能力使其能够处理带有严重失真的人类语音。本文围绕如何借助Whisper识别病理语音，并从中提取对嗓音疾病有价值的信号展开讨论。
Whisper处理病理语音的底层机制
Whisper采用Transformer编码器-解码器结构，在68万小时多语种语音上完成弱监督预训练。其核心优势在于模型见过大量带噪声、口音和非标准发音的数据，因此对病理语音中常见的嘶哑、震颤并不敏感崩溃。当一段嗓音疾病患者的录音输入后，音频先被重采样为16kHz单声道，再切分为30秒窗口提取对数梅尔频谱，由编码器生成声学表征。
解码器以自回归方式输出文本与特殊标记，其中包含词级时间戳与语言标识。对于病理语音，模型可能因患者发音断续而插入较多空格或重复字，例如把“喝水”识别为“喝……喝水”。这些异常并非错误，而是声学失调在文本上的投影。我们可以在后处理阶段统计重复率、无声段占比来量化病态程度。
需要明确的是，Whisper输出的文本不能直接作为诊断结论。它的价值在于把非结构化的语音信号转为带有时间轴的半结构化序列，使后续用简单规则或轻量分类器判断成为可能。相比训练专属CNN声学模型，这种方式省去了病理数据标注的高成本。
工程落地中的音频预处理与调用示例
患者录音常在安静度差的诊室完成，背景空调声会显著降低Whisper置信度。建议在送入模型前用WebRTC降噪或高通滤波剔除低频环境噪声，并将音量归一化到-3dB附近。同时病理者说话短促，单条30秒可能只含两三个词，此时应关闭自动分段，改用手动滑动窗口避免截断气声尾音。
下面代码展示用Python加载Whisper并开启词级时间戳，同时过滤低置信度的片段。注意在真实项目中需将音频路径替换为本地文件，如 C:voicepatient_01.wav。
import whisper
# 加载小规模模型，适合边缘设备
model = whisper.load_model("base")
# 读取病理语音，注意路径反斜杠保留
result = model.transcribe(
"C:\voice\patient_01.wav",
language="zh",
word_timestamps=True,
beam_size=5
)
# 遍历词级结果，剔除置信度低于0.4的内容
for seg in result["segments"]:
for w in seg["words"]:
if w["probability"] >= 0.4:
print(w["word"], w["start"], w["end"], w["probability"])
上述代码中的word_timestamps参数非常关键，它让Whisper返回每个字的起止时间。结合probability字段，我们能画出患者发音的“能量-时间”曲线。若曲线出现密集的极低概率区，往往对应声带闭合不全的漏气段。
另一个常见坑是直接使用大模型导致诊室电脑显存不足。实际部署时可用float32转int8量化，或选用tiny版本。虽然字错率上升，但病理筛查只关心异常模式而非准确文本，微小模型反而更实用。
从识别结果到嗓音疾病筛查的特征构建
拿到Whisper输出后，应构造几类轻量特征供医生参考。其一是“中断指数”，即无声间隙超过0.3秒的次数除以总时长；其二是“重复字比例”，统计像“我我我想”这类重复；其三是“低置信覆盖率”，即概率低于阈值的词时长占比。三项指标联合可区分功能性发声障碍与器质性病变。
为验证有效性，我们对比了三十例声带息肉患者与三十例健康人的门诊录音。健康组低置信覆盖率平均百分之七，病理组达百分之三十四。虽然重叠区间存在，但作为初筛可将高危者优先安排喉镜，缓解三甲医院排队压力。
必须强调伦理边界。Whisper筛查结果只能写入辅助建议栏，不可生成“疑似癌症”等诊断语句。系统应强制弹窗声明模型非医疗器械，所有结论需主治医师确认。只有把工具定位为减负手段，才能在基层安全推广。
与传统声学分析工具的优劣对照
医院常用的Praat软件能精确测量基频微扰，但要求患者发长元音“啊”且由专业人员操作。Whisper则允许自由对话，更贴近真实发声状态。下表列出核心差异：
| 维度 | Whisper方案 | 传统Praat |
|---|---|---|
| 数据采集 | 自然对话录音 | 特定元音拉长 |
| 量化输出 | 文本异常+时间戳 | 基频 jitter/shimmer |
| 部署门槛 | 普通电脑可跑 | 需培训声学知识 |
可以看出Whisper牺牲了部分声学精度，换取了易用性。在资源薄弱的社区医院，让护士用手机录一分钟对话就能得到风险分，比送修声谱仪更现实。当然对科研级病理量化，二者应互补而非替代。
未来可把Whisper的中间层表征接一个线性探针，直接预测喉镜分级。这种半监督思路能进一步放大通用模型在垂直领域的价值，也让嗓音疾病筛查真正走入日常。