ИИ-инструменты с оценкой для вашей профессии
Заработок с ИИ
🤝 Вы в библиотеке «Бесплатно и Open Source» — инструменты от сообщества, которыми можно пользоваться бесплатно. Это другой формат, чем наш оценённый каталог ИИ.
Главная › Бесплатно и Open Source › Звук и музыка › whisperX
✦ Бесплатно и open sourceЗвук и музыка

whisperX

Быстрое автоматическое распознавание речи с принудительным выравниванием слов и диаризацией спикеров.

Быстрое распознавание речи с таймстемпами на уровне слов

Пакетная транскрипция Whisper в сочетании с принудительным выравниванием фонем и диаризацией спикеров.

Бесплатно навсегда · open source · BSD-2-Clause
✓ Light setup✓ В браузере✓ Совместная работа в реальном времени
8.2
ZEKAI
Молниеносно быстрый инструмент для выровненного ASR.
Бесплатно и open source · Звук и музыка
Простота настройки5
Полезность9
Поддержка9.5
Сообщество9.2
★ 24,233
GITHUB
Aug 2026
ОБНОВЛЕНО
BSD-2-Clause
ЛИЦЕНЗИЯ
🛠 Не хотите размещать сами? Мы настроим за вас →
⚡ Быстрый ответ

WhisperX обеспечивает быстрое автоматическое распознавание речи, объединяя пакетный бэкенд faster-whisper с принудительным выравниванием на основе фонем. Он включает в себя функции диаризации спикеров с помощью моделей Pyannote. Подходит для производителей контента, аудиоредакторов и разработчиков, которым необходимы точные таймстемпы субтитров на уровне слов и идентификация спикеров.

Работает на
Cross-platform
Хостинг
Self-host
Языки
Python
Лицензия
BSD-2-Clause

Что это

WhisperX ускоряет вывод OpenAI Whisper до 70x в реальном времени с помощью пакетной обработки на основе VAD через бэкенд faster-whisper. Он выполняет принудительное выравнивание с использованием фонемных моделей, таких как wav2vec2, для генерации точных таймстемпов на уровне слов. Он также интегрирует пайплайны диаризации спикеров для назначения меток спикеров расшифрованным аудиосегментам.

Для кого

Этот инструмент подходит для аудиоинженеров, продюсеров подкастов и разработчиков программного обеспечения, которым требуется точное выравнивание транскриптов или идентификация спикеров в своих речевых пайплайнах. Он не подходит для нетехнических пользователей, ищущих автономный десктопный интерфейс без необходимости запуска командной строки или Python.

Ключевые возможности

Пакетный бэкенд вывода

Использует сегментацию на основе VAD и faster-whisper для достижения скорости транскрипции до 70x в реальном времени на GPU.

Принудительное выравнивание фонем

Выравнивает транскрипты с помощью языковых моделей wav2vec2 для создания точных таймстемпов слов и символов.

Интеграция диаризации спикеров

Интегрирует пайплайны диаризации спикеров Pyannote для идентификации и маркировки отдельных спикеров в аудио.

Настройки уменьшения галлюцинаций

Отключает кондиционирование по предыдущему тексту по умолчанию для предотвращения циклов транскрипции и повторения текстового вывода.

Как начать

Готово за 3 шага

1
Установите системные требования, включая ffmpeg, Rust и зависимости Python.
2
Установите WhisperX через PyPI и получите пользовательский токен Hugging Face для поддержки диаризации.
3
Запустите CLI whisperx или вызовите библиотеку Python для транскрипции и выравнивания аудиофайлов.
Честно

Наш честный вердикт

Плюсы

  • Достигает скорости транскрипции до 70x в реальном времени с использованием VAD-батчинга на GPU.
  • Предоставляет точные таймстемпы на уровне слов с помощью моделей принудительного выравнивания фонем.
  • Уменьшает циклы галлюцинаций текста за счет отключения кондиционирования по предыдущему тексту по умолчанию.
  • Поддерживает сегментацию на уровне предложений и SRT-вывод с подсветкой слов.

Минусы

  • Требует большого объема VRAM GPU для плавной работы более крупных моделей ASR и выравнивания.
  • Требует токен учетной записи Hugging Face и ручного принятия соглашения для моделей диаризации.
  • Не удается выровнять слова, содержащие символы, отсутствующие в словаре выравнивания, такие как цифры или знаки.
  • Испытывает трудности с точной расшифровкой и разделением пересекающейся речи.
Стоимость

Цены и лицензия

WhisperX бесплатен и имеет открытый исходный код под лицензией BSD-2-Clause. Основные затраты связаны с предоставлением собственного GPU-оборудования или вычислительной инфраструктуры. Сторонний облачный API-хостинг на Replicate также доступен в качестве платного варианта.

Оплачиваемая работа

Вакансии для носителей русского языка

879 открытых удалённых вакансий по обучению ИИ, обновлено 15 ноября 2026 г.; в большинстве оплата $20–$175 в час. Из них 2 — для носителей русского языка. Zekai публикует их бесплатно; отклик уходит на платформу работодателя.

Все открытые вакансии →
Сравнить

Альтернативы

🎁 Бесплатные и open-source альтернативы

Эти проверенные ИИ-инструменты делают то же самое мгновенно — из нашего оценённого каталога.

Больше

Используйте сами или мы всё настроим

📄 Бесплатный PDF: whisperX для Звук и музыка
Простое руководство для первого результата. Придёт на вашу почту.
🔔 64 человек хотят полный видеоурок — добавьте свой голос
🛠 Не хотите настраивать сами?
Мы установим, разместим и настроим whisperX за вас — и обучим вашу команду.
Доверьте это нам ↗
Вопросы

Вопросы

Требует ли WhisperX выделенный GPU?

Вы можете запустить WhisperX на CPU, используя типы вычислений int8, но для достижения скорости до 70x в реальном времени требуется NVIDIA GPU с CUDA.

Почему у некоторых чисел или символов отсутствуют точные таймстемпы?

Слова, содержащие символы, отсутствующие в словаре модели выравнивания, не могут быть фонетически выровнены, из-за чего у них отсутствуют конкретные таймстемпы.

Радар

Свежие новости ИИ

✉️ Еженедельный бесплатный набор
Лучшие новые бесплатные и open-source инструменты для Звук и музыка — короткое письмо раз в неделю, на вашем языке.
Бесплатно · 1 письмо/неделю · отписка в любой момент
Заработок на обучении ИИ →

Zekai первым в Google