whisperX

WhisperX 是一个基于 Whisper 的语音识别增强工具，提供高精度的词级时间戳和说话人区分功能。它通过结合 wav2vec2 对齐、VAD 预处理、批量推理及 pyannote-audio 说话人聚类，显著提升时间戳准确性和多说话人场景下的识别质量，支持 GPU 上 70 倍实时推理。适用于会议记录、访谈转录、音视频内容分析等需精确时间对齐与说话人分离的场景。