jim60105/docker-whisperX

解决的问题

本项目提供一组为 WhisperX 优化的 Docker 镜像，WhisperX 是一种自动语音识别（ASR）系统，可提供单词级时间戳和说话人分离功能。该项目通过捆绑预先下载的模型，简化了 WhisperX 的部署，减少了用户在运行时手动管理依赖项和模型下载的需求。

工作原理

该项目使用 Dockerfile 和 CI 工作流来构建和维护大量预构建镜像。每个镜像均按模型大小（例如 large-v3）和目标语言（例如 en 表示英语，zh 表示中文）进行标记。用户可以从 GitHub Container Registry (GHCR) 拉取预构建镜像，或使用构建参数自行构建特定语言和模型组合的镜像。

适用人群

适用于希望在 Windows（通过 WSL2）、Linux 或 macOS 上使用 GPU 支持运行 WhisperX 进行语音转文字转录的用户，无需手动配置环境或安装底层 ASR 模型。

主要亮点

• 预构建模型包：提供多种镜像，模型已预先内置，可加速部署。
• GPU 支持：提供针对不同操作系统上 NVIDIA GPU 的详细配置指南。
• 优化的构建流水线：利用高效的 Docker 层缓存，每周管理超过 170 个镜像的构建。
• 专用模型：支持蒸馏变体（如 distil-large-v3-en）和特定区域模型（如 breeze-asr-26-zh，用于台湾话）。
• 灵活的缓存机制：支持挂载本地卷，实现不同容器间对齐模型的共享。