Guida Pratica a WhisperX: Trascrizione e Diarizzazione (Speaker-ID)

WhisperX è uno strumento avanzato basato sull'IA di OpenAI (Whisper) che non solo trascrive l'audio con altissima precisione, ma offre due funzionalità cruciali per un uso professionale:

  • Allineamento temporale: Assegna un tempo preciso (millisecondi) a ogni singola parola.
  • Diarizzazione (Pyannote): Riconosce e separa le voci dei diversi interlocutori.

Questa guida ti accompagna passo passo nell'installazione e nell'uso.

FASE 1: Preparazione di Hugging Face e Pyannote

La diarizzazione di WhisperX si appoggia a modelli creati da "Pyannote" e ospitati su Hugging Face. Questi modelli sono gratuiti, ma "gated" (protetti).

  1. Crea un account gratuito su Hugging Face.
  2. Accetta le condizioni d'uso per pyannote/speaker-diarization-3.1 e pyannote/segmentation-3.0.
  3. Crea un token con permessi di tipo Read (inizierà con hf_...).

FASE 2: Installazione dell'Ambiente

WhisperX richiede una scheda video (GPU) NVIDIA. Esegui questi comandi:

sudo apt-get update && sudo apt-get install -y ffmpeg
pip install git+https://github.com/m-bain/whisperX.git
pip install transformers==4.50.0
pip install --force-reinstall torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

FASE 3: Esecuzione del Comando Principale

whisperx "nome_file_audio.wav" \
  --model large-v3 \
  --language en \
  --diarize \
  --min_speakers 2 \
  --max_speakers 2 \
  --hf_token IL_TUO_TOKEN_QUI \
  --compute_type float16 \
  --output_dir /cartella/di/salvataggio \
  --output_format all

Spiegazione dei Parametri:

  • --model large-v3: Usa il modello Whisper più grande e intelligente.
  • --language [codice]: Forza la lingua dell'audio (es. en, it, id).
  • --diarize: Attiva il riconoscimento di chi sta parlando.
  • --min_speakers / --max_speakers: Aiuta l'IA a non creare voci "fantasma".
  • --compute_type float16: Ottimizza il consumo di RAM video.
  • --output_format all: Genera tutti i formati utili.
Attenzione: Il problema dell'Align Model (Lingue non standard)

Se usi lingue meno diffuse (es. Indonesiano), aggiungi un modello Wav2Vec2 specifico al comando:
--align_model indonesian-nlp/wav2vec2-large-xlsr-indonesian

FASE 4: I Formati di Output

  • .json: Testo, tempi al millisecondo per parola, ID speaker.
  • .srt / .vtt: Formati standard per sottotitoli.
  • .txt: Testo semplice e pulito.
  • .tsv: Formato tabellare per Excel o Sheets.

Materiale scaricabile

Scarica la presentazione