WhisperX

WhisperX 是开源语音转写工具，结合 Whisper 系列识别、语音活动检测与语言专用对齐模型，为音频转写提供词级时间戳，并可选加入说话人标签。可通过命令行或 Python 处理资料，适合字幕制作、访谈整理和音频研究。

主要功能与适用人群

批量识别、词级时间对齐及字幕导出可减少逐段整理工作。支持中文、英文等多语种，但识别与对齐依赖对应模型；默认对齐配置包含中文及英语等语种。它提供说话人分段标签，不能据此确认人物真实身份。项目研究起源与英国牛津大学 VGG 有关，目前由国际开源社区维护，文档主要为英文。

费用与限制

核心代码采用 BSD 2-Clause 许可证，可免费安装并自行运行，没有所列本地工具的按次订阅费。需要下载识别和对齐模型，自备算力；CPU 可运行，GPU 加速需匹配依赖。各依赖模型的许可另行适用，不能把代码许可证当作全部模型授权。

可选说话人分离需 Hugging Face 访问令牌并接受指定模型协议；模型下载须可访问对应平台。多人重叠发言、专有名词及词典外内容可能影响识别或时间戳，应人工复核，不保证精确率或固定处理速度。

官方来源

• 官方仓库、安装与限制说明
• BSD 2-Clause 许可证
• 官方默认对齐语言配置

资料核对日期：2026-10-08。