项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-28 · 当前星标 ★ 459
使用教程
环境要求
- Docker
- NVIDIA GPU
安装与启动步骤
-
1确认显卡
它要求能透传显卡给容器。
-
2起容器跑一段音频
直接用镜像带参数运行。
docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:large-v3-ja -- --output_format srt audio.mp3 -
3换语言模型
镜像按语言分标签。
docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:base-en -- --output_format srt audio.mp3 -
4看输出的字幕
带词级时间戳才是它的重点。
如何确认成功
用一段音频跑出字幕文件，每条字幕带词级时间戳，说话人不同的段落被分开标注
注意事项
- 它把语音识别与词级对齐、说话人分离打包成镜像，省掉了环境配置。
- 镜像按语言与模型大小分标签，选错语言会明显影响准确率。
- 词级时间戳是它的核心价值，做字幕对轴很省事。
- 说话人分离需要额外的模型与显存，长音频要分段处理。
核心亮点
- 把 WhisperX 复杂的 CUDA、PyTorch、pyannote 依赖全部预装好，省去环境配置时间
- CI 自动构建并测试镜像，减少依赖升级导致的镜像不可用风险
- 支持 GPU 加速与词级时间戳、说话人分离，输出可直接用于字幕和会议纪要
不足之处
- 镜像体积较大，拉取和存储成本高
- 仅提供镜像封装，WhisperX 本身的模型选择与参数调优仍需自行研究
适用场景
- 批量转写会议录音并按发言人切分纪要
- 为播客或视频生成带精确时间轴的字幕
- 对访谈音频做词级对齐以便后续检索与剪辑
替代项目
whisper、whisper.cpp
上一篇：opentypeless
下一篇：phorminx
同类项目推荐
VivaDicta
开源
说话即笔记，AI 帮你聊出答案
iOS & watchOS speech-to-text app with AI voice keyboard, on-device RAG, and chat wit···
onnx-asr
开源
几行代码用 ONNX 跑语音识别，不装重型框架
A lightweight Python package for Automatic Speech Recognition using ONNX models
Typeleast
开源
按快捷键说话，本地识别加大模型润色，直接写进光标处
TypeLeast：按一下快捷键说话，本机识别（SenseVoice），用你自己的大模型 API Key 整理成···
whisper-website
开源
上传音频，浏览器里直接出字幕文件
Self-hosted web application, which can be used to convert audio to subtitles by Open···
AriaType
开源
动口不动手，本地语音输入秒变文字，跨应用高效干活
Voice-driven writing, input, and cross-app work for your desktop.
deepgram-go-sdk
开源
Go 语言接入 Deepgram，快速实现语音转写与合成
Official Go SDK for Deepgram.
dabri
开源
Linux 上离线语音打字，说完即出文字，不联网。
Dabri • Native Linux Speech-to-Text (STT) • Offline, Privacy-First
video-to-subtitle-summary-skill
开源
短视频一键转字幕并生成AI要点总结
视频转字幕与AI总结 （抖音/小红书/B 站等）支持 faster-whisper 本地转写和 YouTube 字幕···
awesome-whisper
开源
一页清单找齐 Whisper 生态工具，省去全网翻找
Awesome list for Whisper — an open-source AI-powered speech recognition system deve···