Docker-WhisperX: 构建高效的语音识别Docker镜像

RayRay
WhisperXDockerGPU支持语音识别模型构建Github开源项目

docker-whisperX

Docker-WhisperX:构建高效的语音识别Docker镜像

Docker-WhisperX是一个基于WhisperX的自动语音识别Docker镜像项目,由GitHub用户jim60105开发维护。该项目旨在为社区提供一个高效、易用的语音识别解决方案,支持多种语言和模型,并实现了高度优化的持续集成和构建流程。

项目概述

WhisperX是一个强大的自动语音识别工具,能够提供精确到单词级别的时间戳和说话人分离功能。Docker-WhisperX项目将WhisperX封装到Docker镜像中,使其更易于部署和使用。该项目的主要目标是在GitHub免费运行器上实现高效的持续集成Docker构建工作流程,每周并行构建175个Docker镜像,每个镜像大小为10GB。

为了实现这一目标,项目作者jim60105重点关注以下几个方面:

  1. 高效利用Docker层缓存
  2. 最大化层重用
  3. 仔细管理缓存读/写顺序以防止问题
  4. 优化以最小化镜像大小和构建时间

此外,作者还致力于遵循最佳实践、行业标准和政策,以确保项目的质量和可靠性。

Docker-WhisperX构建流程

GPU支持配置

为了充分发挥Docker-WhisperX的性能,需要正确配置GPU支持。配置步骤因操作系统而异:

Windows系统

  1. 安装Docker Desktop
  2. 安装CUDA Toolkit
  3. 安装NVIDIA Windows驱动程序
  4. 确保Docker运行在WSL2环境中

详细配置指南可参考NVIDIA和Docker官方文档:

Linux和macOS系统

  1. 安装NVIDIA GPU驱动程序(如果尚未安装)
  2. 按照NVIDIA官方指南安装NVIDIA Container Toolkit

详细安装步骤可参考:

预构建镜像

Docker-WhisperX提供了多种预构建镜像,可以直接拉取使用。镜像标签格式为WHISPER_MODEL-LANG,例如tiny-enbase-delarge-v3-zh。此外,还提供了一个不包含预下载模型的no_model标签(也称为latest)。

使用示例:

docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:base-en -- --output_format srt audio.mp3 docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:large-v3-ja -- --output_format srt audio.mp3 docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:no_model -- --model tiny --language en --output_format srt audio.mp3

构建Docker镜像

如果预构建镜像不能满足需求,可以自行构建Docker镜像。构建过程支持两个主要参数:

  • LANG: 转录语言,默认为en
  • WHISPER_MODEL: 模型名称,默认为base

构建命令示例:

docker build --build-arg LANG=en --build-arg WHISPER_MODEL=large-v3 -t whisperx:large-v3-en .

对于多语言对齐,可以使用空格分隔的语言列表:

docker build --build-arg "LANG=pl fr en" --build-arg WHISPER_MODEL=large-v3 -t whisperx:large-v3-multi .

使用指南

使用Docker-WhisperX进行语音识别非常简单。将当前目录挂载为/app,然后运行WhisperX并传入额外的输入参数:

docker run --gpus all -it -v ".:/app" whisperx:large-v3-ja -- --output_format srt audio.mp3

注意:记得在参数前加上--。Dockerfile中已定义--model--language参数,无需重复指定。

缓存共享

为了在处理不同语言时保留对齐模型的下载缓存,可以挂载/.cache目录:

docker run --gpus all -it -v ".:/app" -v whisper_cache:/.cache ghcr.io/jim60105/whisperx:latest -- --model large-v3 --language en --output_format srt audio.mp3

Red Hat UBI基础镜像

除了默认的Python官方镜像,Docker-WhisperX还提供了基于Red Hat Universal Base Image (UBI)的替代版本。UBI版本具有更高的可靠性、安全性和性能,特别适合Red Hat订阅用户。

可以使用ubi-no_model标签获取预构建的UBI版本镜像:

docker run --gpus all -it -v ".:/app" ghcr.io/jim60105/whisperx:ubi-no_model -- --model tiny --language en --output_format srt audio.mp3

UBI镜像扫描结果

项目亮点

  1. 高效的CI/CD流程: 实现了每周175个Docker镜像的并行构建,每个镜像10GB,充分利用GitHub免费运行器资源。

  2. 多语言支持: 支持多种语言的语音识别,并提供了灵活的语言模型配置选项。

  3. GPU加速: 通过正确配置GPU支持,充分发挥硬件性能,提高语音识别速度。

  4. 缓存优化: 精心设计的缓存策略,最大化层重用,优化构建过程。

  5. UBI版本: 提供基于Red Hat Universal Base Image的替代版本,满足企业级用户需求。

  6. 易用性: 提供详细的使用指南和示例,降低用户使用门槛。

  7. 持续更新: 项目维护者致力于遵循最佳实践和行业标准,不断优化和改进项目。

总结

Docker-WhisperX项目为开发者和研究人员提供了一个强大而灵活的语音识别解决方案。通过将WhisperX封装到Docker镜像中,大大简化了部署和使用过程。项目的高效CI/CD流程、多语言支持、GPU加速和缓存优化等特性,使其成为一个值得关注的开源项目。无论是个人开发者还是企业用户,都能从Docker-WhisperX中受益,轻松实现高质量的语音识别功能。

随着语音识别技术的不断发展,Docker-WhisperX项目也将持续更新和优化。欢迎开发者们关注、使用并为这个项目做出贡献,共同推动语音识别技术的进步和应用。

参考链接

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多