WhisperX 一个更精确的开源自动语音识别（ASR）项目

嗯，是 WhisperX  而不是 Whisper， 之前介绍过Whisper项目了，见链接：https://www.mr-wu.cn/how-to-use-whisper-and-chatgpt/ 而WhisperX项目是基于 OpenAI 的 Whisper 模型，通过引入多项优化技术，提供高效、准确的语音转文字（STT）服务。

Whisper很好用，但字幕的时间轴有时不是很准，换WhisperX 之后就挺准了，对字幕制作非常友好。

WhisperX  核心功能，或者说相对于Whisper的优势

1. 快速转录：WhisperX 使用 faster-whisper 后端，支持批量推理，能够实现高达 70x 实时速度 的转录。
2. 单词级时间戳：通过 wav2vec2.0 对齐技术，WhisperX 可以生成精确到单词级别的时间戳，这对于字幕制作、会议记录等场景非常有用。
3. 说话人识别（Diarization）：WhisperX 集成了 pyannote-audio 技术，能够自动识别不同说话人，并为转录文本添加说话人标签。
4. 语音活动检测（VAD）：通过 VAD 预处理，减少幻听现象，同时不影响转录准确性。
5. 多语言支持：WhisperX 支持多种语言的语音识别和转录。

项目主页：https://github.com/m-bain/whisperX

命令举例

whisperx "/root/MP3/1.mp3" --output_dir "/root/MP3/" --model large-v2 -f all --language en --max_line_count 2 --align_model WAV2VEC2_ASR_LARGE_LV60K_960H --batch_size 4

whisperx "E:\mv\1.mp3" --model_dir "E:\whisper_model" --model large-v3-turbo -f all --language en --max_line_count 2 --align_model WAV2VEC2_ASR_LARGE_LV60K_960H --batch_size 4 --compute_type int8

whisperx "E:\Movies\1.mp4" --output_dir "E:\Movies\" --model_dir "E:\whisper_model" --model large-v2 -f all --language en --compute_type int8