Sprecherkennzeichnung bei der Transkription mit WhisperX auf SageMaker AI
aws ·
Dieser AWS-Blogbeitrag beschreibt die Bereitstellung des WhisperX Deep Learning Containers auf Amazon SageMaker AI, um sprecherbezogene Transkriptionen mit präzisen Wort-für-Wort-Zeitstempeln zu erzielen. Die Autoren erläutern, wie WhisperX das herkömmliche Spracherkennungsmodell durch erzwungene Ausrichtung und Diarisierung verbessert und dabei häufige Probleme wie ungenaue Zeitangaben und fehlende Sprecheridentifikation in professionellen Arbeitsabläufen adressiert. Der Leitfaden demonstriert zwei Bereitstellungsmodelle: Echtzeit-Endpunkte für kurze, interaktive Clips unter 60 Sekunden sowie asynchrone Endpunkte für lange Audiodateien, bei denen die Ergebnisse über Amazon S3 verarbeitet werden. Zu den wichtigsten Aspekten für den Produktionsbetrieb gehören das Festlegen der spezifischen GPU-AMI-Version zur Sicherstellung der Kompatibilität, die Skalierung des Durchsatzes durch Hinzufügen von Instanzen statt durch Erhöhung der Parallelität sowie die Konfiguration der automatischen Skalierung auf null für Kosteneffizienz in Batch-Szenarien. Der Artikel enthält Codebeispiele zum Erstellen von Modellen, Konfigurieren von Endpunkten und Aufrufen der Inferenz mit Multipart-Formulardaten. Zudem werden Best Practices für die Absicherung von S3-Artefakten, den Umgang mit sensiblen Daten und die Leistungsüberwachung mittels CloudWatch-Metriken hervorgehoben.
aws