正在载入项目…
正在载入项目…
把长音频转成带词级时间戳和说话人标签的文字，作为字幕与剪辑流程的基础。
自媒体工作流参考。更适合作为转写基础组件，而不是开箱即用的完整剪辑软件。
m-bain/whisperX
个人仓库 · m-bain制作访谈字幕的技术型创作者；开发音频整理和视频检索工具的人。
目标是获得可人工校对的转写和时间信息，用于字幕或素材检索；实际准确率取决于语言、模型、音质与硬件。本站没有验证安装、速度或说话人识别效果。
基础资料采集：2026-10-28
更适合作为转写基础组件，而不是开箱即用的完整剪辑软件。
1. 打开官方安装说明，优先在独立 Python 环境使用稳定发布版，不直接运行陌生安装脚本。
2. 先取一段有权处理的短音频，按 README 的 CPU 或 GPU 示例完成基础转写与时间对齐。
3. 需要区分说话人时再核对模型条款、配置访问权限；检查人名、数字、重叠说话和字幕时间，不直接当成最终稿。
用一段自己录制的 30 秒口播试跑字幕：按 README 的 CPU 示例将音频路径替换为自己的文件，检查转写文字和词级时间戳，再把确认后的字幕交给剪辑软件。多人访谈先完成单人试跑，再按官方步骤启用说话人分离；不要把模型标签当作真实身份。
用法示例 · 未安装实测需要 Python、模型下载空间与音频依赖；CPU 可运行，GPU 需匹配 CUDA。说话人分离需接受对应模型协议并配置访问凭证。
需要 Python、模型下载空间和音频依赖；CPU 可运行，GPU 需匹配官方 CUDA 要求。说话人分离另需 Hugging Face 只读凭证并接受对应模型协议；音频须有处理权限。代码与模型许可分别核对，下载和算力可能产生成本。本站仅核对官方文档与入口，未安装实测。
语音转写：基于 Whisper 与 faster-whisper 处理音频。
词级对齐：通过语言相关的对齐模型补充时间戳。
说话人区分：可接入说话人分离模型，为转写添加匿名标签。
开发集成：提供命令行与 Python 示例，便于接入自有字幕流程。
重叠说话、数字及特殊符号的对齐仍有限制，说话人分离并不完美。README 的速度结果依赖模型、硬件和参数，不作为用户机器上的效率承诺；模型许可与代码许可需分别检查。 许可证以原仓库固定版本文件及依赖条款为准（GitHub 元数据：BSD-2-Clause）。 本次为官方文档中文整理，未安装实测，不承诺涨粉、收益或具体节省时间。