Ferramentas de IA avaliadas para o seu trabalho
Ganhe treinando IA
🤝 Você está na biblioteca Grátis & Open Source — ferramentas feitas pela comunidade que você pode usar sem pagar. Um conceito diferente do nosso diretório de IA avaliado.
Início › Grátis & Open Source › Áudio e Música › whisperX
✦ Grátis & open sourceÁudio e Música

whisperX

Reconhecimento automático de fala rápido com alinhamento forçado de palavras e diarização de locutores.

Reconhecimento de fala rápido com marcas de tempo por palavra

Transcrição Whisper em lote combinada com alinhamento forçado de fonemas e diarização de locutores.

Grátis para sempre · open source · BSD-2-Clause
✓ Light setup✓ No navegador✓ Colaboração em tempo real
8.2
ZEKAI
Ferramenta ASR alinhada extremamente rápida.
Grátis & open source · Áudio e Música
Facilidade de configuração5
Utilidade9
Manutenção9.5
Comunidade9.2
★ 24,233
GITHUB
Aug 2026
ATUALIZADO
BSD-2-Clause
LICENÇA
🛠 Não quer hospedar você mesmo? Nós configuramos para você →
⚡ Resposta rápida

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.

Funciona em
Cross-platform
Hospedagem
Self-host
Idiomas
Python
Licença
BSD-2-Clause

O que é

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.

Para quem

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.

Recursos principais

Backend de inferência em lote

Usa segmentação baseada em VAD e faster-whisper para alcançar velocidade de transcrição em tempo real de até 70x em GPUs.

Alinhamento forçado de fonemas

Alinha transcrições com modelos wav2vec2 específicos de idioma para produzir marcas de tempo precisas de palavras e caracteres.

Integração de diarização de locutores

Integra pipelines de diarização de locutores do Pyannote para identificar e rotular locutores separados no áudio.

Configurações de alucinação reduzida

Desativa o condicionamento de texto anterior por padrão para evitar loops de transcrição e repetição de saída de texto.

Como começar

Pronto em 3 passos

1
Instale os requisitos do sistema, incluindo ffmpeg, Rust e dependências do Python.
2
Instale o whisperX via PyPI e obtenha um token de usuário do Hugging Face para suporte à diarização.
3
Execute a interface de linha de comando do whisperX ou chame a biblioteca Python para transcrever e alinear arquivos de áudio.
Falando sério

Nosso veredito honesto

Pontos fortes

  • Alcança velocidade de transcrição em tempo real de até 70x usando processamento em lote VAD em GPUs.
  • Fornece marcas de tempo precisas no nível da palavra usando modelos de alinhamento forçado de fonemas.
  • Reduz loops de alucinação de texto desativando o condicionamento de texto anterior por padrão.
  • Suporta segmentação em nível de frase e saídas SRT com destaque de palavras.

Onde deixa a desejar

  • Requer VRAM de GPU de ponta para executar modelos ASR e de alinhamento maiores sem problemas.
  • Exige um token de conta do Hugging Face e aceitação manual de termos para modelos de diarização.
  • Falha ao alinear palavras contendo caracteres ausentes no dicionário de alinhamento, como números ou símbolos.
  • Tem dificuldade para transcrever e separar com precisão falas sobrepostas.
Custo

Preços & licença

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.

Trabalho remunerado

Vagas para quem fala português

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.

Ver todas as vagas abertas →
Comparar

Alternativas

🎁 Alternativas grátis & open source

Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.

Saiba mais

Use, ou deixe que a gente configure

📄 PDF grátis: whisperX para Áudio e Música
Um guia em linguagem simples para o seu primeiro resultado. Enviado ao seu e-mail.
🔔 64 pessoas querem um tutorial em vídeo completo — adicione seu voto
🛠 Não quer configurar você mesmo?
Nós instalamos, hospedamos e configuramos o whisperX para você — e treinamos sua equipe.
Deixe com a gente ↗
Perguntas

FAQ

O whisperX requer uma GPU dedicada?

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.

Por que alguns números ou símbolos estão sem marcas de tempo precisas?

Palavras contendo caracteres não encontrados no dicionário do modelo de alinhamento não podem ser alinhadas foneticamente, ficando sem marcas de tempo específicas.

Radar

Últimas notícias de IA

✉️ O kit gratuito semanal
As melhores novas ferramentas grátis & open source para Áudio e Música — um e-mail curto por semana, no seu idioma.
Grátis · 1 e-mail/semana · cancele quando quiser
Ganhe dinheiro treinando IA →

Veja o Zekai primeiro no Google