whisperX 简介
whisperX 是基于 OpenAI Whisper 的语音识别工具，它在原生 Whisper 的基础上增加了强制音素对齐（Phoneme-Based ASR）和语音活动检测（VAD）功能。相比基础版本，whisperX 能提供更精准的单词级时间戳，并支持多说话人区分（Speaker Diarization），非常适合需要高精度字幕生成或会议记录的场景。
主要特性包括批处理推理以提升速度、利用 wav2vec2 进行精细对齐、以及集成 pyannote-audio 进行说话人分离。详细技术细节可参考官方 README。
环境搭建
1. 创建 Python 环境
建议使用 Python 3.10。打开终端执行：
conda create --name whisperx python=3.10
conda activate whisperx
2. 安装 PyTorch
whisperX 依赖 PyTorch。Linux 和 Windows 用户推荐安装 CUDA 11.8 版本以利用 GPU 加速：
conda install pytorch==2.0.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia
若需其他 CUDA 版本或 CPU 模式，请参考 PyTorch 官方文档。
3. 安装 whisperX
根据需求选择安装方式：
稳定版本（推荐）
pip install whisperx
开发版本 如需最新功能但可能不稳定：
pip install git+https://github.com/m-bain/whisperX.git
源码模式 若需修改源码：
git clone https://github.com/m-bain/whisperX.git
cd whisperX
pip install -e .
注意：生产环境建议使用稳定版本。此外，ffmpeg 和 rust 是必要依赖，如未安装请参照 Whisper 官方指南补充。
4. 配置说话人区分（可选）
启用说话人标注需获取 Hugging Face 令牌并同意相关协议：
- 在 Hugging Face 设置页面生成访问令牌。
- 接受 Segmentation 和 Speaker-Diarization 模型的用户协议。
命令行使用
基本转录
安装后直接调用即可，默认使用 small 模型：
whisperx examples/sample01.wav
添加 --highlight_words True 可获取单词级高亮信息：
whisperx examples/sample01.wav --highlight_words True
提升准确率
使用大模型配合特定对齐模型效果更佳：
whisperx examples/sample01.wav --model large-v2 --align_model WAV2VEC2_ASR_LARGE_LV60K_960H --batch_size 4
此处指定了 large-v2 模型及对应的 wav2vec2 对齐模型，batch_size 设为 4 以平衡显存占用。
说话人区分
加入 --diarize 参数即可开启说话人分离，并可限制人数范围：
