WhisperX 指南
WhisperX 与 Whisper：转录、对齐和说话人有何不同
了解 WhisperX 添加的逐词对齐与说话人分组，以及仍需核对的结果限制。
WhisperX 团队 · 审阅日期：2026 年 10 月 15 日
识别说了什么
Whisper 是语音识别模型系列，根据音频预测文字。后续对齐不能自动纠正识别错误的人名。
定位什么时候说的
WhisperX 增加依赖语言的对齐步骤，估计词语在录音中的位置。部分词无法可靠对齐，改文字也不会重新计算时间。
区分谁在说话
可选的说话人分离按声音对发言分组，标签不是个人身份。相似声音和重叠发言需要核对。
按所需输出选择流程
只需初稿时，语音识别可能已经足够。需要跳转回听、时间数据或访谈归属时，对齐和标签更有帮助。检查文字、缺失时间和分组，并用对应媒体测试字幕。
结合条件理解基准测试
速度和错误率取决于测试硬件、数据和配置，不代表对你录音的承诺。对比时使用同一文件，并记录模型和参数。