आपके काम के लिए रेटेड एआई टूल
AI ट्रेन करके कमाएँ
🤝 आप फ्री & ओपन सोर्स लाइब्रेरी में हैं — समुदाय द्वारा बनाए गए टूल जिन्हें आप बिना भुगतान किए उपयोग कर सकते हैं। हमारी स्कोर की गई AI डायरेक्टरी से अलग एक अवधारणा।
होम › फ्री & ओपन सोर्स › संगीत › whisperX
✦ फ्री & ओपन सोर्ससंगीत

whisperX

forced word alignment और speaker diarization के साथ तेज automatic speech recognition।

word-level timestamps के साथ तेज speech recognition

forced phoneme alignment और speaker diarization के साथ batched Whisper transcription।

हमेशा के लिए मुफ़्त · ओपन सोर्स · BSD-2-Clause
✓ Light setup✓ ब्राउज़र-आधारित✓ रियल-टाइम सहयोग
8.2
ZEKAI
बेहद तेज एलाइन किया हुआ ASR टूल।
फ्री & ओपन सोर्स · संगीत
सेटअप की आसानी5
उपयोगिता9
रखरखाव9.5
समुदाय9.2
★ 24,233
गिटहब
Aug 2026
अपडेटेड
BSD-2-Clause
लाइसेंस
🛠 खुद होस्ट नहीं करना चाहते? हम इसे सेट कर सकते हैं →
⚡ त्वरित उत्तर

WhisperX एक batched faster-whisper backend को phoneme-based forced alignment के साथ जोड़कर तेज automatic speech recognition प्रदान करता है। इसमें Pyannote मॉडल्स के माध्यम से speaker diarization क्षमताएं शामिल हैं। यह उन voice प्रोड्यूसर्स, ऑडियो एडिटर्स और डेवलपर्स के लिए उपयुक्त है जिन्हें सटीक word-level subtitle timing और speaker identification की आवश्यकता होती है।

इस पर चलता है
Cross-platform
होस्टिंग
Self-host
भाषाएँ
Python
लाइसेंस
BSD-2-Clause

यह क्या है

WhisperX faster-whisper backend के जरिए VAD-based batching का उपयोग करके OpenAI Whisper inference को 70x रियल-टाइम तक तेज करता है। यह सटीक word-level timestamps उत्पन्न करने के लिए wav2vec2 जैसे phoneme मॉडल्स का उपयोग करके forced alignment करता है। यह ट्रांसक्रिप्ट किए गए ऑडियो सेगमेंट में speaker लेबल असाइन करने के लिए speaker diarization पाइपलाइनों को भी एकीकृत करता है।

किसके लिए

यह टूल ऑडियो इंजीनियरों, पॉडकास्ट प्रोड्यूसर्स और सॉफ्टवेयर डेवलपर्स के लिए उपयुक्त है जिन्हें अपनी voice पाइपलाइनों में सटीक ट्रांसक्रिप्ट एलाइनमेंट या speaker identification की आवश्यकता होती है। यह उन गैर-तकनीकी उपयोगकर्ताओं के लिए उपयुक्त नहीं है जो कमांड-लाइन या Python निष्पादन के बिना एक स्टैंडअलोन डेस्कटॉप इंटरफ़ेस चाहते हैं।

मुख्य विशेषताएँ

Batched Inference Backend

GPU पर 70x तक रियल-टाइम ट्रांसक्रिप्शन गति प्राप्त करने के लिए VAD-based सेगमेंटेशन और faster-whisper का उपयोग करता है।

Phoneme Forced Alignment

सटीक word और character timestamps उत्पन्न करने के लिए भाषा-विशिष्ट wav2vec2 मॉडल्स के साथ ट्रांसक्रिप्ट को एलाइन करता है।

Speaker Diarization Integration

ऑडियो में अलग-अलग speakers की पहचान करने और उन्हें लेबल करने के लिए Pyannote speaker diarization पाइपलाइनों को एकीकृत करता है।

Reduced Hallucination Settings

ट्रांसक्रिप्शन लूप और दोहराए जाने वाले टेक्स्ट आउटपुट को रोकने के लिए पिछले टेक्स्ट कंडीशनिंग को डिफ़ॉल्ट रूप से बंद कर देता है।

कैसे शुरू करें

3 चरणों में तैयार

1
ffmpeg, Rust, और Python निर्भरताओं सहित सिस्टम आवश्यकताओं को स्थापित करें।
2
PyPI के माध्यम से WhisperX इंस्टॉल करें और diarization समर्थन के लिए Hugging Face उपयोगकर्ता टोकन प्राप्त करें।
3
ऑडियो फ़ाइलों को ट्रांसक्रिप्ट और एलाइन करने के लिए whisperx कमांड लाइन इंटरफ़ेस चलाएं या Python लाइब्रेरी को कॉल करें।
सच कहें तो

हमारा ईमानदार फैसला

क्या अच्छा है

  • GPU पर VAD batching का उपयोग करके 70x तक रियल-टाइम ट्रांसक्रिप्शन गति प्राप्त करता है।
  • forced phoneme alignment मॉडल्स का उपयोग करके सटीक word-level timestamps प्रदान करता है।
  • पिछले टेक्स्ट कंडीशनिंग को डिफ़ॉल्ट रूप से अक्षम करके टेक्स्ट हॉलुसिनेशन लूप को कम करता है।
  • word हाइलाइटिंग के साथ sentence-level सेगमेंटेशन और SRT आउटपुट का समर्थन करता है।

कहाँ कमी है

  • बड़े ASR और एलाइनमेंट मॉडल्स को सुचारू रूप से चलाने के लिए हाई-एंड GPU VRAM की आवश्यकता होती है।
  • diarization मॉडल्स के लिए Hugging Face अकाउंट टोकन और मैन्युअल समझौते की स्वीकृति की मांग करता है।
  • एलाइनमेंट डिक्शनरी से गायब वर्णों, जैसे संख्याओं या प्रतीकों वाले शब्दों को एलाइन करने में विफल रहता है।
  • ओवरलैपिंग स्पीच को सटीक रूप से ट्रांसक्रिप्ट और अलग करने में संघर्ष करता है।
लागत

मूल्य & लाइसेंस

WhisperX BSD-2-Clause लाइसेंस के तहत मुफ्त और open source है। प्राथमिक लागत आपके अपने GPU हार्डवेयर या कंप्यूट बुनियादी ढांचे को प्रदान करने से आती है। Replicate पर थर्ड-party क्लाउड API होस्टिंग भी एक paid विकल्प के रूप में उपलब्ध है।

पेड वर्क

हिंदी बोलने वालों के लिए जॉब्स

885 खुले रिमोट AI-ट्रेनिंग रोल, 17 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।

सभी खुले रोल देखें →
तुलना

विकल्प

🎁 फ्री & ओपन-सोर्स विकल्प

ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।

और पाएं

इसे उपयोग करें, या हमसे सेट करवाएं

📄 मुफ़्त PDF: संगीत के लिए whisperX
आपका पहला परिणाम पाने के लिए सरल भाषा में गाइड। आपके इनबॉक्स में।
🔔 64 लोग पूरा वीडियो ट्यूटोरियल चाहते हैं — अपना वोट जोड़ें
🛠 खुद सेट नहीं करना चाहते?
हम whisperX को आपके लिए इंस्टॉल, होस्ट और कॉन्फ़िगर करेंगे — और आपकी टीम को प्रशिक्षित करेंगे।
हमसे करवाएं ↗
प्रश्न

सामान्य प्रश्न

क्या WhisperX के लिए एक समर्पित GPU की आवश्यकता है?

आप int8 कंप्यूट प्रकारों का उपयोग करके CPU पर WhisperX चला सकते हैं, लेकिन 70x तक रियल-टाइम गति प्राप्त करने के लिए CUDA वाले NVIDIA GPU की आवश्यकता होती है।

कुछ संख्याएं या प्रतीक सटीक timestamps से क्यों चूक जाते हैं?

एलाइनमेंट मॉडल डिक्शनरी में न मिलने वाले वर्णों वाले शब्दों को phonetically एलाइन नहीं किया जा सकता है, जिससे वे विशिष्ट timestamps के बिना रह जाते हैं।

रडार

ताज़ा AI समाचार

✉️ साप्ताहिक मुफ़्त टूलकिट
संगीत के लिए सर्वश्रेष्ठ नए फ्री & ओपन-सोर्स टूल — हर हफ्ते एक छोटा ईमेल, आपकी भाषा में।
मुफ़्त · 1 ईमेल/सप्ताह · कभी भी अनसब्सक्राइब करें
AI ट्रेनिंग से पैसे कमाएँ →

Google में Zekai को सबसे पहले देखें