使用场景

案例一：研究人员使用BetterWhisperX对科学讲座的音频进行转录，并生成带有时间戳的字幕文件。

案例二：企业用户将会议录音通过BetterWhisperX进行实时转录，并通过词级时间戳快速定位到会议中的关键讨论点。

案例三：多语言内容创作者利用BetterWhisperX对不同语言的音频内容进行转录和分析，以提高内容生产的效率。

产品特色

- 批量推理支持，实现70倍实时转录速度

- 使用wav2vec2对齐实现精确的词级时间戳

- 支持多说话人识别，通过说话人二值化技术进行音频流分割

- 语音活动检测（VAD）预处理，减少幻觉并支持无误字率退化的批处理

- 支持多种语言的ASR模型，自动挑选适合的音素模型进行对齐

- 支持在CPU上运行，适用于Mac OS X系统

- 提供Python接口，方便集成到其他项目中

使用教程

1. 创建Python3.10环境：使用mamba创建并激活新的虚拟环境。

2. 安装CUDA和cuDNN：根据系统需求安装相应的CUDA和cuDNN版本。

3. 安装BetterWhisperX：通过pip安装BetterWhisperX模型。

4. 运行示例音频：使用whisperx命令行工具对示例音频文件进行转录。

5. 调整模型参数：根据需要调整ASR模型、对齐模型和批处理大小等参数。

6. 多语言支持：指定语言代码，并选择合适的模型进行转录。

7. 集成到项目中：通过Python接口将BetterWhisperX集成到其他项目中。