Transcripción etiquetada por hablante con WhisperX en SageMaker AI
aws ·
Este artículo de blog de AWS detalla el despliegue del contenedor de aprendizaje profundo WhisperX en Amazon SageMaker AI para lograr transcripciones etiquetadas por hablante con marcas de tiempo precisas a nivel de palabra. Los autores explican cómo WhisperX mejora la conversión estándar de voz a texto mediante la incorporación de alineación forzada y diarización, abordando problemas comunes como la sincronización inexacta y la falta de identificación de hablantes en cargas de trabajo profesionales. La guía presenta dos patrones de implementación: puntos de conexión en tiempo real para clips cortos e interactivos de menos de 60 segundos, y puntos de conexión asíncronos para archivos de audio largos que procesan los resultados a través de Amazon S3. Las consideraciones clave para producción incluyen fijar la versión específica de la AMI de GPU para garantizar la compatibilidad, escalar el rendimiento agregando instancias en lugar de concurrencia, y configurar el escalado automático a cero para optimizar costos en escenarios por lotes. El artículo proporciona ejemplos de código para crear modelos, configurar puntos de conexión e invocar inferencias con datos de formulario multipart. También destaca las mejores prácticas para asegurar los artefactos de S3, manejar datos sensibles y monitorear el rendimiento mediante métricas de CloudWatch.
aws