Transkription mit Sprecherzuordnung: WhisperX auf SageMaker AI
TL;DR
AWS bündelt Whisper, Forced Alignment mit wav2vec2 und Speaker Diarization in einem Deep Learning Container für GPUs. Im Beitrag erfährst du, wie du WhisperX auf Amazon SageMaker AI als Echtzeit- oder asynchronen Endpoint bereitstellst. Das Ergebnis sind Transkripte mit Zeitstempeln auf Wortebene und klar zugeordneten Sprechern. Dazu kommen die Details, die im Produktivbetrieb zählen: das fixierte GPU-AMI, Skalierung und Kostenkontrolle.
Nauti's Take
Für Teams mit vielen Meetings, Interviews oder Support-Calls ist das ein handfester Fortschritt: Sprecherzuordnung und Zeitstempel kommen fertig verpackt, ohne eigenes Modell-Tuning. Der Haken sind die GPU-Kosten und der Betriebsaufwand, denn ein gepinntes AMI und Autoscaling wollen gepflegt werden.
Wer ohnehin auf AWS arbeitet und große Audiomengen verarbeitet, profitiert am meisten; für gelegentliche Transkripte bleiben fertige SaaS-Tools einfacher.
Quellen
