m-bain/whisperX

O que é?

Recursos principais

• 01Inferência do Whisper em lotes com o backend faster-whisper para acelerar a transcrição.
• 02Timestamps por palavra gerados por alinhamento forçado com wav2vec2.
• 03Diarização de falantes com identificação por ID via pyannote-audio.
• 04Pré-processamento com detecção de atividade de voz para reduzir alucinações.
• 05Interfaces de linha de comando e Python, com suporte a CPU e GPU CUDA.

Casos de uso

• Gerar legendas (SRT) com tempos precisos por palavra a partir de vídeos ou áudios gravados.
• Transcrever reuniões ou entrevistas com vários falantes, identificando cada um.
• Criar datasets de fala ou pipelines de pesquisa que precisam de transcrições alinhadas.
• Transcrever áudios em outros idiomas usando modelos de alinhamento específicos para cada idioma.

Início rápido

1. 1

   Instale primeiro o CUDA Toolkit 12.8 (ignore se usar apenas CPU)

2. 2

   Instale o WhisperX pelo PyPI

   pip install whisperx
3. 3

   Transcreva um arquivo de áudio

   whisperx path/to/audio.wav

Antes de usar

• !Para usar a GPU com rapidez, é necessária uma GPU NVIDIA com CUDA 12.8; a execução na CPU requer o tipo de computação int8.
• !A diarização requer um token do Hugging Face e a aceitação do contrato de usuário do modelo pyannote.
• !Palavras com caracteres ausentes no dicionário do modelo de alinhamento (por exemplo, números com símbolos) não recebem marcações de tempo.
• !Outros idiomas precisam de um modelo de alinhamento fonêmico específico para cada idioma.

Tópicos

Perguntas frequentes

O que é whisperX?

Reconhecimento de fala open source baseado no Whisper, com timestamps por palavra via alinhamento forçado e diarização de falantes opcional. WhisperX é uma ferramenta em Python para reconhecimento automático de fala que integra o Whisper da OpenAI com inferência em lotes, usando o backend faster-whisper. O Whisper sozinho fornece timestamps por enunciado, que podem apresentar diferenças de vários segundos; o WhisperX adiciona uma etapa de alinhamento forçado baseada em wav2vec2 para gerar tempos precisos para cada palavra.

whisperX é gratuito? Qual é a licença?

whisperX é open source sob a licença BSD-2-Clause. Confira os termos da licença antes de usá-lo em produtos comerciais.

whisperX ainda é mantido?

Manutenção ativa. O último commit de whisperX foi em 18 de out. de 2026.

Para que posso usar whisperX?

Gerar legendas (SRT) com tempos precisos por palavra a partir de vídeos ou áudios gravados. Transcrever reuniões ou entrevistas com vários falantes, identificando cada um. Criar datasets de fala ou pipelines de pesquisa que precisam de transcrições alinhadas. Transcrever áudios em outros idiomas usando modelos de alinhamento específicos para cada idioma.

Como instalar whisperX?

Instale primeiro o CUDA Toolkit 12.8 (ignore se usar apenas CPU) Instale o WhisperX pelo PyPI: pip install whisperx Transcreva um arquivo de áudio: whisperx path/to/audio.wav

Onde consigo whisperX?

O código-fonte e as instruções de instalação estão no GitHub: https://github.com/m-bain/whisperX