thomasvvugt/whisperx

WhisperX Docker镜像

镜像概述和主要用途

本镜像提供了Max Bain开发的https://github.com/m-bain/whisperX%E5%B7%A5%E5%85%B7%E7%9A%84%E5%AE%B9%E5%99%A8%E5%8C%96%E9%83%A8%E7%BD%B2%E6%96%B9%E6%A1%88%E3%80%82%E5%9F%BA%E4%BA%8EUbuntu 22.10基础镜像构建，内置Python 3.10及PyTorch等必要依赖，可直接用于语音识别任务，支持CPU和GPU两种运行模式。

核心功能和特性

• 基于Ubuntu 22.10操作系统和Python 3.10运行环境
• 预安装PyTorch等WhisperX运行所需依赖库
• 提供CPU-only和Nvidia CUDA 11.8两种版本镜像
• 支持语音识别、说话人分离等WhisperX核心功能

使用场景和适用范围

适用于需要进行语音转文字的各类场景，包括但不限于：

• 音频文件转写
• 会议记录生成
• 语音内容分析
• 多说话人音频处理

CPU版本适合轻量级任务或无GPU环境，CUDA版本需配备Nvidia GPU，提供更高性能。

使用方法和配置说明

CPU-only模式

bash
docker run -it --rm -v /path/to/audio_files:/app thomasvvugt/whisperx:cpu recording.mp3 --batch_size 4 --compute_type int8

参数说明：

• -v /path/to/audio_files:/app：将本地音频文件目录挂载到容器内的/app目录
• recording.mp3：待处理的音频文件（需位于挂载目录中）
• --batch_size 4：批处理大小，可根据CPU性能调整
• --compute_type int8：计算类型，int8适合CPU环境以提高效率

Nvidia CUDA 11.8模式

注意：需配备Nvidia GPU硬件，性能远高于CPU模式

bash
docker run -it --rm --gpus all -v /path/to/audio_files:/app thomasvvugt/whisperx:cuda118 recording.mp3 --batch_size 8 --diarize --hf_token YOUR_HUGGINGFACE_READ_TOKEN

参数说明：

• --gpus all：启用所有GPU设备
• --batch_size 8：GPU模式下可使用更大的批处理大小
• --diarize：启用说话人分离功能
• --hf_token YOUR_HUGGINGFACE_READ_TOKEN：Hugging Face访问令牌（需提前在Hugging Face网站获取）

构建镜像

可使用Docker Hub上的预构建镜像，或自行构建：

bash
# 构建CPU版本
docker build -f Dockerfile.cpu -t whisperx:cpu

# 构建CUDA 11.8版本
docker build -f Dockerfile.cuda118 -t whisperx:cuda118