pyVideoTrans

简体中文

English

简体中文

English

Appearance

🧠 本地一键部署你的 WhisperX 网页版 + API，支持说话人分离！ ​

WhisperX 是一个非常强大的语音识别模型，还能实现说话人分离（Diarization）。 不过，官方版本只有命令行工具，对新手不太友好，也没提供 API。

于是我做了一个增强版：whisperx-api！它在原模型基础上，新增了：

  • ✅ 本地网页界面 —— 打开浏览器就能用，上传文件一键转录
  • ✅ OpenAI 兼容 API —— 可替代原 Whisper API，直接接入项目
  • ✅ 说话人分离功能 —— 自动识别并标注不同说话人
  • ✅ 一键启动 —— 使用 uv 工具，环境配置自动完成

最终效果就像这样👇

🧰 准备工作：上路前的“装备库” ​

在开始之前，请先准备以下几样装备👇

1️⃣ 一台电脑 ​

  • 推荐配置：NVIDIA 显卡（6GB 显存以上）。
  • 没有显卡也没关系：CPU 也能运行，只是速度会慢一些。

2️⃣ 必备软件（新手重点看！） ​

我们需要以下 2 个工具：

  • uv：超快的 Python 包管理器，用它一条命令搞定环境。
  • FFmpeg：强大的音视频处理工具，帮助格式转换。

⚠️ 提示： uv 和 ffmpeg 的安装参考我专门写的详细教程： 👉 https://xxxx.com）

3️⃣ 科学上网工具 (VPN / 代理) ​

WhisperX 需要从国外服务器下载模型。 请确保你的科学上网工具已开启并保持稳定，否则模型无法正常下载。

🚀 三步搞定，一键启动你的 AI 服务！ ​

✅ 第 1 步：下载项目代码，仅app.py和index.html 2个文件 ​

访问项目主页： https://github.com/jianchang512/whisperx-api

点击绿色的 “Code” → “Download ZIP” 下载压缩包并解压, 然后进入到含有 app.py 和 index.html 文件的文件夹内。

清空文件夹地址栏内容，输入cmd后回车打开黑色终端窗口。

✅ 第 2 步：获取下载“说话人识别”模型的通行证(不需要说话人功能可跳过) ​

说话人分离模型必须同意他们的协议才能下载，因此需要你先在 Hugging Face 网站上“签署协议”并获取访问令牌。这一步必须科学上网，否则无法打开该网站

① 注册并登录 Hugging Face ​

访问： https://huggingface.co/ 创建一个免费账户并登录。

② 创建访问令牌（Token） ​

访问： https://huggingface.co/settings/tokens 点击 “New token” → 权限选择 read → 创建并复制这串以 hf_ 开头的令牌。

打开创建token的页面，点击Create new token

选中Read标签才可以

复制token

③ 同意模型使用协议（必须勾选！） ​

依次访问下面两个模型页面并同意协议：

进入页面后，填写显示的2个文本框，然后点击按钮提交。

④ 保存令牌 ​

回到你的 whisperx-api 项目文件夹， 新建一个文件 token.txt， 把刚复制的 hf_ 开头的令牌粘贴进去并保存。

✅ 第 3 步：一键启动！ ​

确保你的cmd终端仍在 app.py 所在文件夹中，然后执行：

bash
uv run app.py

首次运行时，uv 会自动下载所有依赖并自动加载模型。 根据网络速度，这可能需要几分钟到十几分钟，请耐心等待。

当你看到类似下图的输出，就代表启动成功啦👇

浏览器会自动打开这个地址： http://127.0.0.1:9092

你将看到简洁漂亮的网页界面👇

💡 使用指南 ​

现在你可以通过两种方式使用它👇

🌐 方式一：网页操作界面 ​

  1. 上传文件 点击或拖拽音频 / 视频文件到虚线框中。

  2. 设置选项

    • 语言：知道语言就选对应语言，不确定选“自动检测”。
    • 模型：越大越准，但越慢。推荐 large-v3-turbo。
    • 提示词 (Prompt)：可填写人名、术语等提高识别率，如 OpenAI, WhisperX, PyTorch。

  3. 开始转录 点击 “提交转录”，等待处理完成。

  4. 查看与下载 结果会显示在下方，可直接编辑后点击 “下载 SRT 文件” 保存。

⚙️ 方式二：API 调用（适合开发者） ​

完全兼容 OpenAI 的接口格式！

示例代码（保存为 test_api.py）：

python
import base64
from openai import OpenAI

# 注意：base_url 是你的本地服务地址
client = OpenAI(base_url='http://127.0.0.1:9092/v1', api_key='any-string-will-work')

audio_path = "shibie.wav"

with open(audio_path, "rb") as audio_file:
  transcript = client.audio.transcriptions.create(
    model="tiny",  # 可选 'tiny', 'base', 'large-v3' 等
    file=audio_file,
    response_format="diarized_json"
  )

for segment in transcript.segments:
    speaker = segment.get('speaker', 'Unknown')
    start_time = segment['start']
    end_time = segment['end']
    text = segment['text']
    print(f"[{start_time:.2f}s -> {end_time:.2f}s] Speaker: {speaker}, Text: {text}")

❓ 常见问题 (FAQ) ​

Q: 启动时报 “FFmpeg not found”？ A: 没安装或未加入系统环境变量。 请重新检查 “必备软件” 部分的安装步骤。

Q: 转录按钮点了没反应？ A: 第一次运行会下载模型，请耐心等待。 如果报错，请查看终端日志，通常是科学上网工具未开启或不稳定。

Q: 为什么没有 [Speaker1]、[Speaker2]？ A:

  • 音频中只有一个人说话时不会显示。
  • 或者你的 Hugging Face Token 配置错误、协议未同意，请重查 第 2 步。

Q: 处理速度太慢？ A: 如果是 CPU 模式，确实较慢。 有 NVIDIA 显卡的用户速度会快数十倍。

🎉 恭喜！ 你现在已经拥有一个完全本地化、带网页界面、支持说话人分离的语音转录服务！

赶快试试转录你的播客、会议录音或访谈视频吧～ 祝你玩得开心！🎧💬