Reconhecimento automático de fala rápido com alinhamento forçado de palavras e diarização de locutores.
Transcrição Whisper em lote combinada com alinhamento forçado de fonemas e diarização de locutores.
O whisperX fornece reconhecimento automático de fala rápido ao combinar um backend faster-whisper em lote com alinhamento forçado baseado em fonemas. Ele inclui recursos de diarização de locutores por meio de modelos Pyannote. É adequado para produtores de voz, editores de áudio e desenvolvedores que precisam de tempo de legenda preciso no nível da palavra e identificação de locutores.
O whisperX acelera a inferência do OpenAI Whisper em até 70x em tempo real usando processamento em lote baseado em VAD por meio do backend faster-whisper. Ele realiza alinhamento forçado usando modelos de fonemas como wav2vec2 para gerar marcas de tempo precisas no nível da palavra. Também integra pipelines de diarização de locutores para atribuir rótulos de locutor aos segmentos de áudio transcritos.
Esta ferramenta é adequada para engenheiros de áudio, produtores de podcast e desenvolvedores de software que exigem alinhamentos de transcrição precisos ou identificação de locutores em seus pipelines de voz. Ela não é adequada para usuários não técnicos que buscam uma interface de desktop autônoma sem execução de linha de comando ou Python.
Usa segmentação baseada em VAD e faster-whisper para alcançar velocidade de transcrição em tempo real de até 70x em GPUs.
Alinha transcrições com modelos wav2vec2 específicos de idioma para produzir marcas de tempo precisas de palavras e caracteres.
Integra pipelines de diarização de locutores do Pyannote para identificar e rotular locutores separados no áudio.
Desativa o condicionamento de texto anterior por padrão para evitar loops de transcrição e repetição de saída de texto.
O whisperX é gratuito e de código aberto sob a licença BSD-2-Clause. O custo principal vem de fornecer sua própria infraestrutura de hardware GPU ou computação. A hospedagem de API em nuvem de terceiros no Replicate também está disponível como uma opção paga.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
Você pode executar o whisperX em uma CPU usando tipos de computação int8, mas alcançar velocidades de até 70x em tempo real requer uma GPU NVIDIA com CUDA.
Palavras contendo caracteres não encontrados no dicionário do modelo de alinhamento não podem ser alinhadas foneticamente, ficando sem marcas de tempo específicas.
Veja o Zekai primeiro no Google