🧠 WhisperX API，在pyVideoTrans中使用
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
在 pyVideoTrans 项目中使用
需要预装工具
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://pyvideotrans.com/zh/blog/uv-ffmpeg
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，建议vpn中开启系统代理或全局模式 否则模型无法正常下载。
🚀 三步搞定，一键启动 API 服务！
✅ 第 1 步：下载项目代码
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。
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：
- https://huggingface.co/pyannote/speaker-diarization-3.1
- https://huggingface.co/pyannote/segmentation-3.0
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：
然后执行启动命令，后续也仅需执行该启动命令
uv run app.py第一次使用时,需要等待一段较长的时间安装模块和依赖，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 将该地址填写到 pyVideoTrans--菜单--语音识别设置-whipserxAPI窗口的API地址文本框内即可
同时也会在浏览器中看到简洁的网页界面👇，如果不需要在浏览器中使用，可关掉这个页面，但如果需要API调用，不可关闭cmd终端 
💡 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
上传文件 点击或拖拽音频 / 视频文件到虚线框中。
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。
开始转录 点击 “提交转录”，等待处理完成。
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
将该地址http://127.0.0.1:9092填写到 pyVideoTrans--菜单--语音识别设置-whipserxAPI窗口的API地址文本框内即可
❓ 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。