WhisperX｜词级时间戳与说话人识别语音转写工具

WhisperX 是一款开源的语音转写工具，在 Whisper 类语音识别基础上增加了词级时间戳对齐与说话人识别能力，转写结果可导出为 srt、json 等格式。它适合需要精细字幕时间轴的内容创作者、需要整理多人对话录音的团队，以及做语音处理流程开发的技术人员。

已知能力方面，原始资料提到其支持单词级时间戳对齐和说话人识别，输出结果包含 srt 与 json；资料还给出在 Google Colab 上生成 YouTube 字幕的使用示例，称在免费 Colab GPU 环境下，2 小时 40 分钟的视频约 6 分钟完成。该耗时数据来自原始资料，本文未独立实测，实际表现受音频质量、模型规格和硬件影响，需自行验证。

使用步骤大致为：准备运行环境并安装依赖，加载语音识别与对齐模型，输入音频后完成转写与时间戳对齐，如需要说话人区分则启用相应流程，最后导出 srt 或 json。若使用云端笔记本，需注意运行时长与资源限制；具体安装命令与参数以官方仓库说明为准。

费用方面，工具本身可获取，但使用涉及的计算资源或云服务费用需自行评估，具体许可条款需查阅官方仓库独立说明。国内可用性受依赖下载与模型获取的网络环境影响，需核验。

限制方面，说话人识别的准确度、词级时间戳精度需按实际素材评估；转写与对齐结果建议人工校对。处理他人录音时应遵守隐私与数据合规要求。

来源与使用边界

原始入口：https://github.com/m-bain/whisperX

整理来源：https://github.com/ikaijua/Awesome-AITools

依据来源资料经AI翻译整理，未由本站实测。原始资料许可：CC-BY-4.0；目录许可不代表各产品或文件的使用授权。费用、账号、国内访问与版本兼容条件以原始发布者最新说明为准。