whisperX

收录理由

Whisper 能给出转写文本，却缺少字幕和检索工具所依赖的词级时间戳。WhisperX 在 OpenAI 的语音识别模型之上引入强制音素对齐与语音活动检测，让每个词的时间码都能与音频精确对应，同时通过批量推理大幅提升处理速度。这种逐词级别的精度，对字幕生成、会议纪要和媒体检索都很有价值——想直接跳到某句话被说出的那一刻，靠的就是它。项目还借助 pyannote 实现说话人分离，多说话人录音最终会按人标注清楚。命令行工具和 Python 接口让接入现有转写流程变得顺手，开箱即用的对齐模型也覆盖了相当广的语言范围。