forced word alignment और speaker diarization के साथ तेज automatic speech recognition।
forced phoneme alignment और speaker diarization के साथ batched Whisper transcription।
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।
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।
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।
GPU पर 70x तक रियल-टाइम ट्रांसक्रिप्शन गति प्राप्त करने के लिए VAD-based सेगमेंटेशन और faster-whisper का उपयोग करता है।
सटीक word और character timestamps उत्पन्न करने के लिए भाषा-विशिष्ट wav2vec2 मॉडल्स के साथ ट्रांसक्रिप्ट को एलाइन करता है।
ऑडियो में अलग-अलग speakers की पहचान करने और उन्हें लेबल करने के लिए Pyannote speaker diarization पाइपलाइनों को एकीकृत करता है।
ट्रांसक्रिप्शन लूप और दोहराए जाने वाले टेक्स्ट आउटपुट को रोकने के लिए पिछले टेक्स्ट कंडीशनिंग को डिफ़ॉल्ट रूप से बंद कर देता है।
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।
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।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
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।
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।
Google में Zekai को सबसे पहले देखें