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.
- Цена
- ≈ 0,0241 US$/покретање
- Унос → излаз
- Аудио → Текст
- Програмер
- Community
- Ажурирано
- 23. септембар 2026.
Плејграунд
Пробајте WhisperX
Унос и резултат
Овај покрет
око 0,0241 US$ · 2,41 кредита
При покретању се резервише 0,0721 US$ (7,21 кредита); наплаћује се стварно GPU време.
За налоге без куповине: покрети изнад 2 кредита захтевају допуну.
Нов си овде?
10 бесплатних кредита (0,10 US$) када се пријавиш са Google
Употребљиво 24 сати после пријаве, до 5 покрета дневно и највише 2 кредита по покрету. Други начини пријаве почињу без кредита.
Examples
Output (JSON, shortened)
{ "segments": [ { "end": 30.811, "text": "The little tales they tell are false. The door was barred, locked and bolted as well. Ripe pears are fit for a queen's table. A big wet stain was on the round carpet. The kite dipped and swayed but stayed aloft. The pleasant hours fly by much too soon. The room was crowded with a mild wob.", "start": 2.585 }, { "end": 48.592, "text": "The room was crowded with a wild mob. This strong arm shall shield your honor. She blushed when he gave her a white orchid. The beetle droned in the hot June sun.", "start": 33.029 } ], "detected_language": "en" }
О WhisperX
WhisperX је модел од Community из категорије Препознавање говора. На Railwail-у, WhisperX кошта ≈ 0,0241 US$ по покретању.
Цене
| Типично покретање (≈ 14 s на A100 (80GB)) | 0,0241 US$ по покретању |
|---|---|
| GPU време (A100 (80GB)) | 0,00168 US$ по GPU секунди |
- Наплаћује се GPU време које покретање заиста траје. Када се покретање почне, 3× типична цена се резервише са вашег салда и касније се намирава.
- 1 кредит = 0,01 US$
Калкулатор трошкова
Калкулатор цена
Типично према добављачу: око 14,3 s
Укупно
2,41 US$
241 кредита
По покретању
0,0241 US$ · 2,41 кредита
Наплаћује се стварно време GPU; ово је процена.
API
Нема верификованог API примера
Јавни API прослеђује другачији формат улаза него што овај модел треба. Користите playground изнад.
Спецификације
- ID модела
whisperx- Програмер
- Community
- Категорија
- Препознавање говора
- Унос
- Аудио
- Излаз
- Текст
- Наплата
- По потрошњи (токени или GPU време)
- Унос у каталог ажуриран
- 23. септембар 2026.
Параметри уноса
Уноси и подешавања из шеме уноса модела. Пример у API одељку показује које од њих API прихвата.
audio_fileобавезноURL or upload of the audio file to transcribe
Тип: ТекстПодразумевано: –Дозвољене вредности: –languageOptional ISO-639-1 language code; auto-detected if omitted
Тип: ТекстПодразумевано: –Дозвољене вредности: –batch_sizeТип: Целобројни бројПодразумевано:64Дозвољене вредности: 1 до 64diarizationТип: Да/НеПодразумевано:falseДозвољене вредности: –align_outputТип: Да/НеПодразумевано:trueДозвољене вредности: –
Ознаке
- replicate
- whisperx
- stt
- transcription
- diarization
- word-timestamps
- multilingual
Области примене
Често постављана питања
Шта је WhisperX?
WhisperX је модел од Community у категорији Препознавање говора.
Колико кошта WhisperX на Railwail-у?
На Railwail-у, WhisperX кошта ≈ 0,0241 US$ по покретању. Наплаћује се оно што свака захтева заиста користи. Коришћење се плаћа из унапред припремљених кредита; 1 кредит је једнак 0,01 US$.
Које поставке подржава WhisperX?
Према својој шеми уноса, WhisperX познаје ове параметре: audio_file, language, batch_size (1 до 64), diarization и align_output.
Колико је брз WhisperX?
За WhisperX на Railwail-у још нема довољно измерених покретања да би се наводило време извршавања. Зависи од уноса, поставки и оптерећења код пружаоца услуге.
Да ли је WhisperX бољи од Incredibly Fast Whisper?
То зависи од задатка. WhisperX (Community) и Incredibly Fast Whisper (Community) су оба модела у категорији Препознавање говора. Страница за поређење приказује њихове цене и спецификације упоредо.
Упоредите WhisperX и Incredibly Fast WhisperУпоредиви модели
Сви у овој категорији- Incredibly Fast WhisperCommunity
Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.
- WhisperOpenAI
OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.
- SeamlessM4TCommunity
Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.
Сви модели преко једног API-ја
Један API кључ за сваки модел на Railwail. Употреба се наплаћује из унапред припремљених кредита, 1 кредит = 0,01 US$.