Быстрое автоматическое распознавание речи с принудительным выравниванием слов и диаризацией спикеров.
Пакетная транскрипция Whisper в сочетании с принудительным выравниванием фонем и диаризацией спикеров.
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.
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.
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.
Использует сегментацию на основе VAD и faster-whisper для достижения скорости транскрипции до 70x в реальном времени на GPU.
Выравнивает транскрипты с помощью языковых моделей wav2vec2 для создания точных таймстемпов слов и символов.
Интегрирует пайплайны диаризации спикеров Pyannote для идентификации и маркировки отдельных спикеров в аудио.
Отключает кондиционирование по предыдущему тексту по умолчанию для предотвращения циклов транскрипции и повторения текстового вывода.
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.
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.
Эти проверенные ИИ-инструменты делают то же самое мгновенно — из нашего оценённого каталога.
Вы можете запустить WhisperX на CPU, используя типы вычислений int8, но для достижения скорости до 70x в реальном времени требуется NVIDIA GPU с CUDA.
Слова, содержащие символы, отсутствующие в словаре модели выравнивания, не могут быть фонетически выровнены, из-за чего у них отсутствуют конкретные таймстемпы.
Zekai первым в Google