转写一段中文财报电话会，模型把“营收 12.3 亿”输出成 twelve point three billion，单位也换成了英文，language 参数没传，让接口自动识别，其余中文内容都正常。
一开始怀疑是「音频里的数字本身读得很快，模型按音素直译」，查了一圈，方向不对。
真正麻烦的地方在于，几个原因的现象几乎一样。自动识别把部分片段判成英文，数字跟着走英文规则。也可能是prompt 里没有中文数字书写示例。
不容易想到的是，temperature 偏高，输出随机性放大。
显式指定 language 为 zh 并降温
python -c "print({'language':'zh','temperature':0})"prompt 里给出中文数字与单位示例
python -c "print('示例：营收 12.3 亿元，同比 8.5%。')"然后对输出做数字后处理再人工抽检
python -c "import re;print(re.sub(r'\b(twelve)\b','12','twelve point three'))"等前面都确认过，再用同一段音频对比两次结果差异
python -c "from openai import OpenAI;c=OpenAI();print(c.audio.transcriptions.create(model='whisper-1',file=open('a.mp3','rb'),language='zh').text[:60])"恢复的判定其实很直接。同一段音频里数字恢复为阿拉伯数字，单位是中文，抽查五处金额与原始录音一致。
language 不传时是按片段判定的，一段音频里可能中英混杂，数字格式就会跳变。这类问题最好一次改到位，反复小改反而容易把原因搅混。