備註：有時候 WhisperX 真的慢到爆炸，所以我最後常常改用 https://github.com/ggerganov/whisper.cpp，不知道為什麼它跑起來快多了。

我平常做了很多 Podcast 轉錄的工作，今天又需要用到。Hugging Face 上的 Spaces（像是這個 https://huggingface.co/spaces/vumichien/whisper-speaker-diarization）老是報錯，所以不太實用。

下面這個方法對我有用。

備註：如果你遇到 New error: 'soundfile' backend is not available error 這個錯誤，請執行 conda install -c conda-forge libsndfile 來修復。

0. 確保你有 podcast 音訊的 .wav 檔。你可以用 QuickTime 或 Audacity 來轉檔，這個流程不支援 mp3
1. pip3 install git+https://github.com/m-bain/whisperx.git 這會花個幾分鐘。在等待的同時……
2. 閱讀 https://github.com/m-bain/whisperX#voice-activity-detection-filtering--diarization。要啟用 VAD 過濾和語者分離功能，請在 --hf_token 參數後面加上你的 Hugging Face access token（你可以從 這裡 產生），並同意以下模型的使用條款： Segmentation、Voice Activity Detection (VAD) 和 Speaker Diarization。記得在你的 Hugging Face 帳號中全部都要同意。
3. whisperx YOUR_AUDIO_FILE.wav --hf_token YOUR_HF_TOKEN_HERE --vad_filter --diarize --min_speakers 3 --max_speakers 3 --language en 這是針對英文、3 位講者的範例。記得一定要是 .wav 檔。

轉錄 30 秒的音訊大概就要花 30 秒，所以要有心理準備，轉錄時間跟你的 podcast 音訊長度差不多。