我使用 openai 的耳语来转录音频，它每 5-10 个单词给我变量“开始”、“结束”和“文本”（在开始和结束之间）。是否可以为每个单词获取这些值？我必须喜欢，使用不同的耳语模型或类似物吗？我会使用该数据来生成变化更快的字幕。
如有任何帮助，我们将不胜感激！
诚挚的