whisperX：加速Whisper转录并获取词级时间戳，解决语音对齐痛点

还在忍受OpenAI Whisper的原始推理速度？做字幕对齐时手动切分句子的痛苦谁懂？whisperX 直接给你 词级时间戳 + 批量加速，一条命令就能把长音频拆成词级别的字幕，连说话人分离都顺手解决了。适合语音处理开发者、短视频字幕制作者、以及任何需要精准音频时间戳的研究者。

核心看点

– 基于Whisper的快速推理：通过 batching 和 better memory 管理，在保持精度的前提下把推理速度提升数倍，实测比原版快2-3倍。
– 词级对齐与说话人分离：不需要训练，直接调用 WhisperX 的 pipeline 即可获得每个单词的开始/结束时间，并自动识别不同说话人（需配合 pyannote 模型），省去后期手动校对。
– 简洁API与命令行：pip install 后三行Python代码就能完成转录+对齐，适合集成到自动化工作流；还支持输出 SRT、VTT 等常见字幕格式。

适合谁

– 字幕制作/视频创作者：想要快速生成带时间轴的字幕，无需再手动切分句子。
– 语音识别研究者：需要高精度词级对齐数据用于训练或评估。
– 会议记录/音频分析场景：一条命令搞定多人对话的逐字稿和说话人标签。

仓库采用 BSD-2-Clause 许可证，依赖 PyTorch 和 Whisper，建议使用 GPU 获得最佳推理速度。项目维护活跃，Issue 回复及时，社区已经有不少集成案例。想要马上体验词级对齐的快感？直接去 README 看一行示例代码——你只需要打开 whisperX GitHub 主页 复制粘贴就够了。