ValueError: The following `model_kwargs` are not used by the model: [‘condition_on_prev_tokens’, ‘logprob_threshold’, ‘compression_ratio_threshold’] (note: typos in the generate arguments will

原因分析

Whisper 模型架构要求输入 mel 特征的长度固定为 3000（对应 30 秒音频）。官方维护者在 Issue 中确认了三种生成范式：短音频生成、分块长音频生成、顺序长音频生成。本案例的根因是：用户处理的音频实际时长不足 30 秒，属于“短音频生成”场景，但代码中显式指定了 truncation=False 和 padding="longest"，这导致特征提取器拒绝将短音频填充到 3000 长度，从而抛出长度不匹配错误。至于第一个 model_kwargs 报错，是因为 condition_on_prev_tokens 等参数仅在长音频的 sequential 生成模式下才被模型使用，短音频生成时这些参数不在 generate() 的合法参数列表内。

环境排查

• 确认 transformers 版本（Issue 中为 4.36.2，建议先升级到最新版确认是否已修复）。
• 确认输入音频的实际时长，判断属于短音频（30 秒）。
• 若使用 GPU，确认 PyTorch 版本与 CUDA 版本匹配（本案例为 PyTorch 2.1.1+cu121）。
• 检查 processor（WhisperProcessor / WhisperFeatureExtractor）中的 padding、truncation 参数设置。

解决步骤

1. 处理短音频（首选，官方已验证）：在调用 processor 时，移除 truncation=False 和 padding="longest" 两个参数，使用默认的填充/截断逻辑：

   processed_inputs = self.processor(
       inputs,
       return_tensors="pt",
       return_attention_mask=True,
       sampling_rate=self.asr_params.sampling_rate,
   )

   这样特征提取器会自动将音频填充或截断到 30 秒（mel 长度 3000）。

2. 混合长短音频的通用处理（官方建议）：先按长音频参数处理，然后检查 processed_inputs.input_features.shape[-1] 是否小于 3000。若小于 3000，说明实际是短音频，用默认参数重新调用 processor：

   processed_inputs = self.processor(
       inputs,
       return_tensors="pt",
       truncation=False,
       padding="longest",
       return_attention_mask=True,
       sampling_rate=self.asr_params.sampling_rate,
   )
   if processed_inputs.input_features.shape[-1] < 3000:
       processed_inputs = self.processor(
           inputs,
           return_tensors="pt",
           sampling_rate=self.asr_params.sampling_rate,
       )

3. 长音频场景（可选）：如果确认音频超过 30 秒，请参考官方模型卡（Distil-Whisper）中的 chunked 或 sequential 生成策略代码。此时才需要传递 condition_on_prev_tokens、logprob_threshold 等参数。
4. 标记输出（用户补充）：若需要拿到文本而非 token，请用 processor.batch_decode(result_tokens, skip_special_tokens=True) 进行解码。

验证方法

修改后再运行同样的批处理代码，应不再抛出长度不匹配或 model_kwargs 相关错误。确认输出的文本长度与音频转写内容一致，且若使用 GPU 应能观察到明显的批处理加速效果。

参考来源

huggingface/transformers #30740

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。