jim60105/docker-whisperX

解決的問題

本專案提供一組為 WhisperX 優化的 Docker 映像，WhisperX 是一種自動語音辨識（ASR）系統，可提供詞彙級時間戳與說話人分離功能。此專案透過內建預先下載的模型，簡化 WhisperX 的部署，減少使用者在執行時手動管理相依性與模型下載的需求。

運作方式

本專案使用 Dockerfile 與 CI 工作流程來建構與維護大量預先建置的映像。每個映像皆以模型大小（例如 large-v3）與目標語言（例如 en 表示英文，zh 表示中文）進行標籤。使用者可從 GitHub Container Registry (GHCR) 拉取預先建置的映像，或使用建構參數自行建構特定語言與模型組合的映像。

適用對象

適用於希望在 Windows（透過 WSL2）、Linux 或 macOS 上使用 GPU 支援運行 WhisperX 進行語音轉文字轉錄的使用者，無需手動設定環境或安裝底層 ASR 模型。

主要特色

• 預建置模型套件：提供多種映像，模型已內建，可加速部署。
• GPU 支援：提供針對不同作業系統上 NVIDIA GPU 的詳細設定指南。
• 優化的建構流程：利用高效的 Docker 層快取，每周管理超過 170 個映像的建構。
• 專用模型：支援蒸餾變體（如 distil-large-v3-en）與特定區域模型（如 breeze-asr-26-zh，用於台灣話）。
• 彈性快取機制：支援掛載本機卷，實現不同容器間對齊模型的共享。