whisperX
تسريع التعرف على الكلام باستخدام whisperX. يتميز باستدلال مجمع حتى 70x في الوقت الفعلي، ومحاذاة إجبارية للفونيم، وتقسيم المتحدثين.
نسخ نصي عبر Whisper على دفعات مقترن بمحاذاة صوتية إجبارية وتقسيم المتحدثين.
يوفر whisperX تعرفاً سريعاً وتلقائياً على الكلام من خلال دمج خلفية faster-whisper على دفعات مع محاذاة إجبارية تعتمد على الفونيم. يتضمن قدرات تقسيم المتحدثين من خلال نماذج Pyannote. وهو مناسب لمنتجي الصوت، ومحرري الصوت، والمطورين الذين يحتاجون إلى توقيت دقيق للترجمات على مستوى الكلمة وتحديد هوية المتحدث.
ما هو
يسرع whisperX استدلال OpenAI Whisper بنح 70x في الوقت الفعلي باستخدام التجميع القائم على VAD عبر خلفية faster-whisper. ينفذ محاذاة إجبارية باستخدام نماذج الفونيم مثل wav2vec2 لإنشاء طوابع زمنية دقيقة على مستوى الكلمة. كما يدمج خطوط أنابيب تقسيم المتحدثين لتعيين تسميات المتحدثين لمقاطع الصوت المنسوخة.
لمن هو
هذه الأداة مناسبة لمهندسي الصوت، ومحرري البودكاست، ومطوري البرمجيات الذين يحتاجون إلى محاذاة دقيقة للنصوص أو تحديد هوية المتحدث في خطوط أنابيب الصوت الخاصة بهم. وهي لا تناسب المستخدمين غير التقنيين الذين يبحثون عن واجهة سطح مكتب مستقلة بدون تنفيذ سطر الأوامر أو Python.
أهم الميزات
خلفية الاستدلال على دفعات
يستخدم التقسيم القائم على VAD وfaster-whisper لتحقيق سرعة نسخ تصل إلى 70x في الوقت الفعلي على وحدات معالجة الرسومات GPU.
محاذاة الفونيم الإجبارية
يقوم بمحاذاة النصوص مع نماذج wav2vec2 الخاصة باللغة إنتاج طوابع زمنية دقيقة للكلمات والحروف.
تكامل تقسيم المتحدثين
يدمج خطوط أنابيب تقسيم المتحدثين Pyannote لتحديد وتسمية المتحدثين المختلفين في الصوت.
إعدادات تقليل الهلوسة
يقوم بإيقاف تشغيل تكييف النص السابق افتراضياً لمنع حلقات النسخ وتكرار إخراج النص.
جاهز للعمل في 3 خطوات
حكمنا الصادق
ما يميّزه
- يحقق سرعة نسخ تصل إلى 70x في الوقت الفعلي باستخدام تجميع VAD على وحدات معالجة الرسومات.
- يوفر طوابع زمنية دقيقة على مستوى الكلمة باستخدام نماذج محاذاة الفونيم الإجبارية.
- يقلل من حلقات هلوسة النصوص عن طريق تعطيل تكييف النص السابق افتراضياً.
- يدعم التقسيم على مستوى الجملة ومخرجات SRT مع تمييز الكلمات.
أين يقصّر
- يتطلب VRAM عالي الأداء لوحدة معالجة الرسومات لتشغيل نماذج ASR والمحاذاة الكبيرة بسلاسة.
- يتطلب رمز حساب Hugging Face وقبول الاتفاقية اليدوية لنماذج تقسيم المتحدثين.
- يفشل في محاذاة الكلمات التي تحتوي على أحرف مفقودة من قاموس المحاذاة، مثل الأرقام أو الرموز.
- يكافح لنسخ وفصل الكلام المتداخل بدقة.
التسعير والرخصة
whisperX مجاني ومفتوح المصدر بموجب ترخيص BSD-2-Clause. تأتي التكلفة الأساسية من توفير أجهزة GPU الخاصة بك أو البنية التحتية للحوسبة. يتوفر أيضاً استضافة API سحابية لطرف ثالث على Replicate كخيار مدفوع.
وظائف للناطقين بالعربية
873 وظيفة مفتوحة عن بعد في تدريب الذكاء الاصطناعي، آخر تحديث ١٥ نوفمبر ٢٠٢٦؛ أجر معظمها $20–$170 في الساعة. منها 2 وظائف تطلب متحدثين بالعربية. يعرضها ذكائي مجانًا، والتقديم يتم على منصة جهة التوظيف.
البدائل
أدوات الذكاء الاصطناعي المُراجَعة هذه تؤدي المهمة فوراً — من دليلنا المُقيَّم.
استخدمه، أو دعنا نُعِدّه لك
الأسئلة الشائعة
هل يتطلب whisperX وحدة معالجة رسومات GPU مخصصة؟
يمكنك تشغيل whisperX على وحدة المعالجة المركزية CPU باستخدام أنواع حوسبة int8، ولكن تحقيق سرعات تصل إلى 70x في الوقت الفعلي يتطلب وحدة معالجة رسومات NVIDIA مع CUDA.
لماذا تفقد بعض الأرقام أو الرموز طوابع زمنية دقيقة؟
لا يمكن محاذاة الكلمات التي تحتوي على أحرف غير موجودة في قاموس نموذج المحاذاة صوتياً، مما يتركها بدون طوابع زمنية محددة.
