先看现象。用 openai 1.51 的 audio.transcriptions 转写一段 8 分钟的中文访谈，response_format 用 text，结果整段是一长串没有标点的文字，标点符号一个都没有，换 json 格式也一样。
真正麻烦的地方在于，几个原因的现象几乎一样。text 格式只回纯文本，标点依赖模型自身断句。另一种情况是音频里停顿短，VAD 没切出句边界。
少数情况下是prompt 参数为空，没有给出标点风格示例。
不容易想到的是，语言被自动识别成粤语或日语，断句规则不同。
先用 verbose_json 看分段与语言
python -c "from openai import OpenAI;c=OpenAI();r=c.audio.transcriptions.create(model='whisper-1',file=open('a.m4a','rb'),response_format='verbose_json');print(r.language,len(r.segments))"显式指定语言并给出带标点的 prompt
python -c "print({'language':'zh','prompt':'以下是普通话访谈，请使用中文标点。'})"随后改用支持标点的转写模型对照
python -c "from openai import OpenAI;c=OpenAI();print(c.audio.transcriptions.create(model='gpt-4o-transcribe',file=open('a.m4a','rb')).text[:80])"长音频按静音切段后分别转写再拼接
ffmpeg -i a.m4a -af silencedetect=noise=-30dB:d=0.6 -f null -怎么算真的好了，看的是同一批现象。转写结果里出现正常的中文句号与逗号，段落长度合理，随机抽三段与音频内容逐句能对上。
提醒一点。prompt 只在开头起作用，长音频后半段仍会漂，所以切段比反复调 prompt 更稳。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。