【亲测免费】 WhisperX：高效自动语音识别与时间戳标注

项目基础介绍和主要编程语言

WhisperX 是一个基于 Python 的开源项目，旨在提供高效的自动语音识别（ASR）功能，并结合词级别的时间戳和说话人分割（Diarization）。该项目利用了 OpenAI 的 Whisper 模型，并在此基础上进行了优化和扩展，以实现更精确的语音转录和时间戳标注。

项目核心功能

1. 自动语音识别：WhisperX 使用 Whisper 模型进行语音识别，能够处理多种语言的音频数据。
2. 词级别时间戳：通过结合 wav2vec2 模型进行强制对齐，WhisperX 能够生成每个单词的精确时间戳，显著提高了转录的准确性。
3. 说话人分割：项目集成了 pyannote-audio 的说话人分割功能，能够识别和标注音频中的不同说话人。
4. 批处理推理：WhisperX 支持批处理推理，能够在 GPU 上实现高达 70 倍的实时处理速度。
5. 语音活动检测（VAD）：通过 VAD 预处理，WhisperX 能够更准确地识别和转录包含语音的音频段。

项目最近更新的功能

1. v3 版本发布：最新版本 v3 引入了句子级别的分割，使用 nltk 的 sent_tokenize 方法，提升了字幕生成和说话人分割的效果。
2. 70 倍速度提升：v3 版本通过批处理和 faster-whisper 后端，实现了 70 倍的实时处理速度。
3. 代码清理和优化：v2 版本进行了代码清理，并默认启用了 VAD 过滤，提升了转录的准确性和鲁棒性。
4. 论文发布：WhisperX 的详细技术细节和性能评估已在 Arxiv 上发布预印本，介绍了更高效的批处理推理方法和时间戳对齐技术。

通过这些更新，WhisperX 不仅在性能上有了显著提升，还在功能和易用性上进行了优化，使其成为处理长格式音频数据的理想工具。