whisperX

WhisperX 是建立在 Whisper 之上的强制对齐语音识别：批量推理用 large-v2 达到约 70 倍实时转录速度，再用 wav2vec2 对齐模型钉出准确的词级时间戳——这正是字幕和视频管线真正需要的东西。

它补上了原始 Whisper 缺的零件：pyannote 声纹分离实现多说话人识别，VAD 预处理降低幻觉并支持批量处理且不损失 WER，还有 faster-whisper 后端压低显存。

Python API 把每个阶段单独暴露——转写、对齐、分离——你可以按任务需要自由拼装管线，对齐方法发表在 arXiv 上。