ahmetoner/whisper-asr-webservice

OpenAI Whisper ASR Webservice API

解決的問題

它為 OpenAI 的 Whisper 模型提供了一個開箱即用的 REST API 封裝，使用戶無需構建自己的伺服器基礎設施，即可輕鬆地將語音轉文字功能部署並集成到其他應用程式中。

工作原理

該專案將多個高性能 Whisper 引擎（OpenAI Whisper、Faster Whisper 和 WhisperX）封裝進 Dockerized Web 服務中。它使用 FFmpeg 處理多種音訊與視訊格式，並提供帶有 Swagger 文件的 REST API，用於發送音訊檔案並接收轉錄文本。

適用對象

需要部署支援多種模型與輸出格式（如用於字幕的 SRT 或 VTT）且可以在 CPU 或 GPU 上運行的自託管語音識別服務的開發人員。

亮點

  • 多引擎支援：支援 OpenAI Whisper、Faster Whisper 和 WhisperX。
  • 靈活的輸出：轉錄結果可以匯出為 text、JSON、VTT、SRT 或 TSV。
  • 進階轉錄：包含透過 WhisperX 實現的單字級時間戳、語音活動檢測 (VAD) 過濾以及說話者分離 (diarization)。
  • 易於部署：提供適用於 CPU 與 GPU 加速的 Docker 鏡像。
  • 廣泛的格式支援：與 FFmpeg 集成，具有廣泛的音訊/視訊相容性。

相關

  • 專案
    innovatorved/whisper.api

    一個由 whisper.cpp 提供驅動、高效能的自託管語音轉文字 API，且與 Deepgram 相容，方便進行整合。

  • 專案
    jim60105/docker-whisperX

    一組為 WhisperX 優化的 Docker 映像，提供預打包的 ASR 模型，支援詞彙級時間戳，實現快速且高效的語音轉文字轉錄。

  • Dispatch
    OpenAI Whisper 發布

    OpenAI 已發布 Whisper，一個自動語音辨識（ASR）系統，該系統在 68 萬小時的多語言與多任務監督資料上進行訓練，以提升在口音、噪音與語言方面的魯棒性。

  • 專案
    openai/whisper

    Whisper 是 OpenAI 開發的基於 Transformer 的開源語音轉文字系統，可處理多種語言的轉錄、語言識別和翻譯。它作為一個可透過 pip 安裝的套件發布，提供六種模型大小（tiny → large，以及快速的 “turbo” 版本）。透過 CLI (`whisper …`) 和簡單的 Python API (`whisper.load_model(...).transcribe(...)`)，只需少量指令即可將音訊檔案轉換為文字。該專案運行在 Python 3.8-3.11 和 PyTorch 上，並且需要 ffmpeg（可選需要 Rust 用於分詞器）。所有程式碼和模型權重均採用 MIT 授權。

  • 專案
    sandrohanea/whisper.net

    透過 whisper.cpp 提供 OpenAI Whisper 的 .NET 綁定，讓 .NET 應用程式能夠在廣泛的硬體加速支援下實現本地端語音轉文字與翻譯。