WhisperX
whisperxWhisperX (Large v3) with forced alignment for accurate word-level timestamps plus optional speaker diarization. Uses VAD to cut long files into segments and a wav2vec2 aligner to pin each word to its exact time. Useful for subtitles and per-speaker transcripts.
- Verð
- ≈ 0,0241 USD/keyrsla
- Inntak → úttak
- Hljóð → Texti
- Þróunaraðili
- Community
- Uppfært
- 23. september 2026
Leiksvæði
Prófaðu WhisperX
Inntak og úttak
Þessi keyrsla
um 0,0241 USD · 2,41 inneign
0,0721 USD (7,21 inneign) eru fráteknar við upphaf; raunverulegur GPU-tími er innheimtaður.
Fyrir reikninga án kaupa: keyrslur yfir 2 inneign þurfa áfyllingu.
Nýr hér?
10 ókeypis inneign (0,10 USD) þegar þú skráir þig með Google
Hægt að nota 24 klst. eftir skráningu, allt að 5 keyrslur á dag og að hámarki 2 inneign á keyrslu. Aðrar innskráningaraðferðir byrja án inneignar.
Examples
Output (JSON, shortened)
{ "segments": [ { "end": 30.811, "text": "The little tales they tell are false. The door was barred, locked and bolted as well. Ripe pears are fit for a queen's table. A big wet stain was on the round carpet. The kite dipped and swayed but stayed aloft. The pleasant hours fly by much too soon. The room was crowded with a mild wob.", "start": 2.585 }, { "end": 48.592, "text": "The room was crowded with a wild mob. This strong arm shall shield your honor. She blushed when he gave her a white orchid. The beetle droned in the hot June sun.", "start": 33.029 } ], "detected_language": "en" }
Um WhisperX
WhisperX er módel frá Community í flokknum Tal-í-texta. Á Railwail kostar WhisperX ≈ 0,0241 USD fyrir hverja keyrslu.
Verðlagning
| Dæmigerð keyrsla (≈ 14 s á A100 (80GB)) | 0,0241 USD fyrir hverja keyrslu |
|---|---|
| GPU-tími (A100 (80GB)) | 0,00168 USD fyrir hverja GPU-sekúndu |
- Reikningsfærðir eru GPU-tíminn sem keyrslan tekur í raun. Þegar keyrslan hefst er 3× dæmigerðu verðinu frátekin frá inneign þinni og jöfnuð síðar.
- 1 inneign = 0,01 USD
Kostnaðarreiknir
Verðreiknir
Dæmigert samkvæmt veitanda: um 14,3 s
Samtals
2,41 USD
241 inneign
Fyrir hverja keyrslu
0,0241 USD · 2,41 inneign
Innheimt er fyrir raunverulegan GPU-tíma; þetta er mat.
API
Engin staðfest API-dæmi
Opinbera API sendir annað inntakssnið en þetta módel þarf. Notaðu leiksvæðið hér að ofan.
Forskriftir
- Módel-auðkenni
whisperx- Þróunaraðili
- Community
- Flokkur
- Tal-í-texta
- Inntak
- Hljóð
- Úttak
- Texti
- Reikningur
- Eftir notkun (tókar eða GPU-tími)
- Vörulistafærsla uppfærð
- 23. september 2026
Inntaksbreytur
Inntak og stillingar úr inntakskerfi módelsins. Dæmið í API-hlutanum sýnir hverjar þeirra API samþykkir.
audio_filenauðsynlegtURL or upload of the audio file to transcribe
Tegund: TextiSjálfgefið: –Leyfðir gildir: –languageOptional ISO-639-1 language code; auto-detected if omitted
Tegund: TextiSjálfgefið: –Leyfðir gildir: –batch_sizeTegund: HeiltalaSjálfgefið:64Leyfðir gildir: 1 til 64diarizationTegund: Já/NeiSjálfgefið:falseLeyfðir gildir: –align_outputTegund: Já/NeiSjálfgefið:trueLeyfðir gildir: –
Merki
- replicate
- whisperx
- stt
- transcription
- diarization
- word-timestamps
- multilingual
Notkunartilvik
Algengar spurningar
Hvað er WhisperX?
WhisperX er módel frá Community í flokknum Tal-í-texta.
Hvað kostar WhisperX á Railwail?
Á Railwail kostar WhisperX ≈ 0,0241 USD fyrir hverja keyrslu. Þér er rukkað fyrir það sem hver beiðni notar í raun. Notkun er greidd úr fyrirframgreiddum inneign; 1 inneign jafngildir 0,01 USD.
Hvaða stillingar styður WhisperX?
Samkvæmt inntaksskema sínu þekkir WhisperX þessa færibreytu: audio_file, language, batch_size (1 til 64), diarization og align_output.
Hversu hratt er WhisperX?
Það eru ekki nóg mældar keyrslur af WhisperX á Railwail ennþá til að tilgreina keyrslutíma. Það fer eftir inntakinu, stillingum og álagi hjá veitandanum.
Er WhisperX betra en Incredibly Fast Whisper?
Það fer eftir verkefninu. WhisperX (Community) og Incredibly Fast Whisper (Community) eru bæði módel í flokknum Tal-í-texta. Samanburðarsíðan sýnir verð og forskriftir þeirra hlið við hlið.
Bera saman WhisperX og Incredibly Fast WhisperSambærileg módel
Öll í þessum flokki- Incredibly Fast WhisperCommunity
Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.
- WhisperOpenAI
OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.
- SeamlessM4TCommunity
Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.
Öll módel í gegnum eina API
Einn API-lykil fyrir öll módel á Railwail. Notkun er rukkuð frá fyrirframgreiddum inneign, 1 inneign = 0,01 USD.