القائمة
音频转文字 + 说话人分离
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
音频文本时序对齐 - DTW实现长音频与文本的自动化时序映射
任意模态对齐 - 文本、图像、音视频任意复合模态数据对齐与重构
ASR数据清洗 - 语种识别与异常字符正规化
音素级强制对齐 - 多语种音素级对齐，支持TTS微调
自动化置信学习 - 自动发现并修正跨模态数据集中的标注错误
图像质量检测 - 自动发现模糊、曝光、低信息量等问题图片
| name | whisperx |
| description | 音频转文字 + 说话人分离 |
| category | audio |
| emoji | 🎙️ |
| github_url | https://github.com/m-bain/whisperX |
| triggers | ["音频转文字","语音转写","语音识别","whisper","转写","ASR"] |
| inputs | ["mp3","wav","m4a","flac","ogg"] |
| outputs | ["json","txt","srt","vtt"] |
| use_cases | ["语音转文字","会议记录","字幕生成","音频分析"] |
音频转文字工具，支持说话人分离和时间戳对齐。
# 安装Python依赖
pip install -r requirements.txt
# 或使用CLI自动安装
autodata skill install whisperx
# 基本转写
autodata whisperx input.mp3 -o output/
# 指定模型和语言
autodata whisperx input.mp3 -o output/ --model base --language zh
# 带说话人分离
autodata whisperx input.mp3 -o output/ --diarize
| 参数 | 说明 | 默认值 |
|---|---|---|
--model | Whisper模型: tiny/base/small/medium/large | base |
--language | 语言代码: zh/en/ja/ko | zh |
--diarize | 启用说话人分离 | false |
--output-format | 输出格式: json/txt/srt/vtt | json |