字幕生成工具WhisperX

这个程序的特点是可以按照单词对齐时间戳，所以基本上生成的字幕都是完整的句子。
生成结果除了srt还有json文件，里面有每一行里面单词的时间戳，可以根据需要二次整理字幕。
另外它还能识别发言人，准确率还可以。
貌似不支持Mac，而且需要NVIDIA的显卡，好在Google Colab可以运行（需要启用GPU）。

• 使用 whisper large-v2 进行 70 倍实时转录的批量推理
• faster-whisper 后端，对于 beam_size=5 的 large-v2 需要 <8GB gpu 内存
• 使用wav2vec2对齐的准确词级时间戳
• 使用来自 pyannote-audio 的说话人二值化的多说话人 ASR（说话人 ID 标签）
• VAD 预处理，在不降低 WER 的情况下减少幻觉和批处理

有开发者写了一个可以根据YouTube Url识别YouTube字幕的Jupyter Notebook，仅供参考：

github.com/JimLiu/whisper-subtitles/blob/main/whisperx_youtube_subtitle.ipynb