Нейроновости Релизы

Портативная Windows-сборка WhisperX от Neurogen: транскрипция и диаризация без облаков и прав администратора!

14.05.2026
195 просмотров
@Nnets

Разработчик Neurogen выпустил портативную Windows-сборку WhisperX. Это быстрое распознавание речи на базе Whisper с пословной разметкой времени и разделением говорящих.

Установка выполняется одной кнопкой, не требует прав администратора, а также установки CUDA Toolkit или Anaconda. После инсталляции папку можно скопировать на любой Windows-компьютер с видеокартой NVIDIA и просто запустить.

Функционал

Расшифровка интервью, лекций, подкастов
Создание субтитров (SRT/VTT) к видео и стримам
Разделение по говорящим в записях встреч и созвонов
Всё работает локально, данные не отправляются в облако

В отличие от веб-сервисов, решение бесплатное, неограниченное по длине аудио и полностью приватное.

Системные требования

Windows 10/11, 64-бит
NVIDIA с драйвером R555+ (RTX или GTX 10+ серии) обеспечит ускорение в десятки раз
Возможна работа на CPU, но медленнее
Минимум 8 ГБ ОЗУ, для крупных моделей рекомендовано 16+ ГБ
Около 6 ГБ на диске после установки и дополнительное место под модели

Установка

Скачайте репозиторий ZIP-архивом или командой git clone https://github.com/rzaev77/whisperx-portable.git
Распакуйте в любую папку. Важное условие: путь не должен содержать кириллицу.
Запустите setup.bat. Первый запуск загрузит около 3–5 ГБ и займёт 10–30 минут.
После завершения для старта интерфейса используйте WhisperX.bat.

Если видеокарты NVIDIA нет, перед setup.bat выполните: powershell -ExecutionPolicy Bypass -File tools\setup.ps1 -Backend cpu

Использование

Через GUI: выберите аудио или видео, укажите модель (large-v3 для качества, medium для скорости), язык (например ru) и нажмите «Транскрибировать». Результаты появятся в папке output/.

Через drag-and-drop: перетащите файл на WhisperX-CLI.bat, и он обработается с настройками по умолчанию.

Из консоли: команда выглядит так: WhisperX-CLI.bat input.mp3 --model large-v3 --language ru --output_format srt

Полезные советы

Модели: tiny → base → small → medium → large-v3. Чем крупнее, тем выше точность и ниже скорость. Для русского языка оптимален large-v3.
При нехватке VRAM (ошибка CUDA out of memory): установите compute_type=int8 и batch_size=4 в GUI. Это позволит работать даже на 6 ГБ.
Скорость: на RTX 3060 час аудио обрабатывается примерно за 3–5 минут с моделью large-v3 и compute_type=float16. На CPU тот же файл займёт до 30–60 минут.
Для высокого качества: включите опцию «Выравнивание (временные метки слов)», чтобы получить точные тайминги для субтитров.
Форматы вывода: srt для субтитров, txt для простого текста, json для машинной обработки с таймкодами и метками говорящих.
Портативность: после setup.bat папку можно скопировать на флешку и использовать на другом компьютере с NVIDIA без переустановки.

Диаризация (разделение говорящих)

Чтобы получить разбивку вида «Спикер 1: …», «Спикер 2: …», необходимо:

Зарегистрироваться на huggingface.co
Принять соглашение на странице модели pyannote
Создать токен с правом чтения по ссылке: https://huggingface.co/settings/tokens
Вставить токен в поле «Токен HF» в GUI и активировать галку «Включить диаризацию».

Токен сохранится в config.json рядом с программой, и повторять ввод не потребуется.

Решение проблем

`Could not load library cudnn_*.dll` — драйвер NVIDIA старее версии R555. Обновите его с nvidia.com или переустановите сборку с ключом -Backend cpu.
`CUDA out of memory` — попробуйте модель меньшего размера, compute_type=int8, batch_size=4.
Кириллица в консоли отображается как `???` — это случается на старых версиях Windows без полной поддержки UTF-8. На работу программы это не влияет.
Полный сброс сборки: выполните powershell -ExecutionPolicy Bypass -File tools\setup.ps1 -Force. Это очистит папку runtime/ и переустановит компоненты.