whisperX
Reconnaissance automatique de la parole rapide avec alignement forcé des mots et diarisation des locuteurs.
Transcription Whisper par lots associée à un alignement phonétique forcé et à une diarisation des locuteurs.
WhisperX offre une reconnaissance automatique de la parole rapide en associant un backend faster-whisper par lots à un alignement forcé basé sur les phonèmes. Il comprend des fonctionnalités de diarisation des locuteurs grâce aux modèles Pyannote. Il convient aux producteurs vocaux, aux monteurs audio et aux développeurs qui ont besoin d'un minutage précis des sous-titres au niveau des mots et d'une identification des locuteurs.
Qu'est-ce que c'est
WhisperX accélère l'inférence d'OpenAI Whisper jusqu'à 70x en temps réel grâce au traitement par lots basé sur la VAD via le backend faster-whisper. Il effectue un alignement forcé à l'aide de modèles de phonèmes comme wav2vec2 pour générer des horodatages précis au niveau des mots. Il intègre également des pipelines de diarisation des locuteurs pour attribuer des étiquettes de locuteurs aux segments audio transcruits.
Pour qui
Cet outil convient aux ingénieurs du son, aux producteurs de podcasts et aux développeurs de logiciels qui nécessitent des alignements de transcription précis ou une identification des locuteurs dans leurs pipelines vocaux. Il ne convient pas aux utilisateurs non techniques recherchant une interface de bureau autonome sans exécution en ligne de commande ou en Python.
Fonctionnalités clés
Backend d'inférence par lots
Utilise une segmentation basée sur la VAD et faster-whisper pour atteindre une vitesse de transcription jusqu'à 70x en temps réel sur GPU.
Alignement forcé des phonèmes
Aligne les transcriptions avec des modèles wav2vec2 spécifiques à la langue pour produire des horodatages précis de mots et de caractères.
Intégration de la diarisation des locuteurs
Intègre les pipelines de diarisation des locuteurs Pyannote pour identifier et étiqueter les différents locuteurs dans l'audio.
Paramètres de réduction des hallucinations
Désactive par défaut le conditionnement du texte précédent pour éviter les boucles de transcription et la répétition de texte en sortie.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Atteint une vitesse de transcription jusqu'à 70x en temps réel en utilisant le traitement par lots VAD sur les GPU.
- Fournit des horodatages précis au niveau des mots à l'aide de modèles d'alignement phonétique forcé.
- Réduit les boucles d'hallucination de texte en désactivant par défaut le conditionnement du texte précédent.
- Prend en charge la segmentation au niveau de la phrase et les sorties SRT avec mise en surbrillance des mots.
Ses limites
- Nécessite une VRAM de GPU haut de gamme pour exécuter des modèles ASR et d'alignement plus grands en toute fluidité.
- Exige un jeton de compte Hugging Face et l'acceptation manuelle des conditions pour les modèles de diarisation.
- Ne parvient pas à aligner les mots contenant des caractères absents du dictionnaire d'alignement, tels que des chiffres ou des symboles.
- Rencontre des difficultés à transcrire et à séparer avec précision les discours qui se chevauchent.
Tarifs & licence
WhisperX est gratuit et open source sous licence BSD-2-Clause. Le coût principal provient de la fourniture de votre propre matériel GPU ou infrastructure de calcul. L'hébergement d'API cloud tierces sur Replicate est également disponible en option payante.
Missions pour francophones
873 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Utilisez-le, ou laissez-nous l'installer
FAQ
WhisperX nécessite-t-il un GPU dédié ?
Vous pouvez exécuter WhisperX sur un CPU en utilisant des types de calcul int8, mais atteindre des vitesses jusqu'à 70x en temps réel nécessite un GPU NVIDIA avec CUDA.
Pourquoi certains chiffres ou symboles n'ont-ils pas d'horodatage précis ?
Les mots contenant des caractères absents du dictionnaire du modèle d'alignement ne peuvent pas être alignés phonétiquement, ce qui les prive d'horodatages spécifiques.
