跳到主要内容Skip to main content
语音与音频轻量目录补充

WhisperX

m-bain / whisperX

Whisper + 对齐 + 说话人分离,输出词级时间戳与说话人标签。

25.5k stars 2600 forks Python 语言 BSD-2-Clause 许可 最近推送 2026-11-18

为什么选

  • 词级时间戳准,适合字幕与会议记录。
  • 带说话人分离,信息更完整。
  • 比原版 Whisper 更适合长音频。

不适合

依赖 pyannote 等模型,环境较重。
说话人分离需要额外授权与显存。

许可与使用边界

GitHub 快照显示许可为 BSD-2-Clause。开源不等于可商用:GPL / AGPL 有传染性;代码许可、模型许可、生成内容许可要分开看。上线前读仓库 LICENSE 与模型卡,必要时让法务确认。

替代与相邻

  • Whisper — 先试这个,OpenAI 的语音识别模型与推理代码,多语言、带时间戳,安装简单。
  • faster-whisper — 轻量,用 CTranslate2 重写 Whisper 推理,速度更快、显存更省。
  • FunASR — 生产可用,阿里达摩院的语音识别工具链,中文 ASR、标点、热词、说话人分离齐全。

下一步

  • 打开 GitHub,先读 README、LICENSE、最近 release 与 issue。
  • 按“部署依赖 / 显存 / 数据 / 网络 / 权限”列一张上手清单。
  • 用一个小样本跑通,再决定是否进生产;不要直接上生产数据。

GitHub 仓库 ↗ 文档 ↗ 加入对比

快照口径:stars / forks / language / license / pushed_at 来自 GitHub API 2026-11-19 快照;之后的变化没有回写。标签与“适合 / 不适合”是编辑判断,不是 GitHub 元数据。
不背书:本站只做索引与风险提示,不审计代码、不保证安全、不替你做许可判断。仓库脚本与模型权重请自行审查。