whisperX
WhisperX: Automatic Speech Recognition with Word-level Timestamps (& Diarization)
freevoice-agents
20.9k
Stars
+1745
Stars/month
10
Releases (6m)
Overview
WhisperX是一个基于OpenAI Whisper的增强型自动语音识别工具，专门解决了原版Whisper在时间戳精度和处理效率方面的不足。该工具通过集成wav2vec2强制对齐技术，能够提供精确到单词级别的时间戳，相比原版Whisper的句子级时间戳准确性大大提升。WhisperX采用faster-whisper作为后端引擎，实现了70倍实时速度的批量推理处理，同时内存占用控制在8GB以下，使得大规模语音处理变得更加高效和经济。工具内置了基于pyannote-audio的说话人分离功能，能够自动识别和标记不同说话人的语音片段，这对于会议记录、访谈转录等多人对话场景极其有价值。此外，WhisperX还集成了语音活动检测(VAD)预处理模块，有效减少了幻觉现象的发生，提高了转录质量。该工具特别适合需要高精度时间戳的应用场景，如字幕制作、语音分析、会议纪要生成等，在保持Whisper优秀识别准确率的同时，显著提升了实用性和处理效率。
Pros
- + 提供精确的词级时间戳，相比原版Whisper的句子级时间戳准确性大幅提升
- + 70倍实时转录速度的批量处理能力，大幅提升处理效率
- + 内置说话人分离功能，能自动区分和标记多个说话人的语音片段
Cons
- - 需要GPU支持且要求至少8GB显存，硬件门槛较高
- - 相比原版Whisper增加了额外的处理步骤，设置和使用复杂度有所提升
- - 说话人分离功能的准确性依赖于音频质量和说话人声音差异
Use Cases
- • 会议录音转录，需要准确识别每个发言人及其发言时间
- • 视频字幕制作，要求字幕与语音精确同步的时间戳
- • 语音数据分析，需要对大量音频文件进行批量处理和时间轴分析
Getting Started
1. 安装依赖：pip install whisperx，确保系统有CUDA支持的GPU；2. 下载模型：首次使用会自动下载Whisper和对齐模型到本地；3. 运行转录：使用whisperx audio.wav --diarize命令对音频文件进行转录和说话人分离