kperreau/whisperx

WhisperX API 服务器镜像

镜像概述

本镜像提供基于WhisperX的REST API服务，专注于音频转录功能。通过集成WhisperX模型，实现高精度的语音转文字，并支持词级时间戳和基于wav2vec2的强制对齐。该镜像仅依赖CPU运行（采用int8量化优化），无需GPU支持，适合资源受限环境部署。

核心功能与特性

• REST API接口：提供标准化的HTTP接口，便于集成到各类应用系统
• 词级时间戳：精确标记转录文本中每个词语的开始和结束时间
• 强制对齐：通过wav2vec2模型实现语音与文本的精准对齐
• CPU优化：采用int8量化技术，降低CPU资源占用，提升运行效率
• 无GPU依赖：完全基于CPU运行，简化部署环境要求

使用场景与适用范围

• 音频内容分析与索引
• 自动字幕生成系统
• 语音交互应用的文字转录模块
• 播客、会议录音的文本化处理
• 资源受限环境下的语音转文字需求

使用方法与配置说明

基本部署

通过Docker命令快速启动服务：

bash
docker run -d -p 8000:8000 --name whisperx-api homiclip/whisperx

接口使用

服务启动后，可通过HTTP POST请求调用转录接口：

bash
curl -X POST http://localhost:8000/transcribe \
  -H "Content-Type: multipart/form-data" \
  -F "audio=@/path/to/audio/file.wav"

配置参数

详细配置选项可参考项目GitHub仓库：https://github.com/homiclip/whisperx

注意事项

• 推荐使用WAV格式音频文件以获得最佳转录效果
• 音频文件时长较长时，转录时间会相应增加
• 服务首次启动时会自动下载所需模型文件，可能需要较长时间