Transcrição com rótulo de orador usando WhisperX no SageMaker AI
aws ·
Este post do blog da AWS detalha a implantação do Deep Learning Container WhisperX no Amazon SageMaker AI para realizar transcrição com identificação de locutores e timestamps precisos em nível de palavra. Os autores explicam como o WhisperX aprimora a conversão padrão de fala em texto ao adicionar alinhamento forçado e diarização, resolvendo problemas comuns como timing impreciso e falta de identificação de falantes em cargas de trabalho profissionais. O guia demonstra dois padrões de implantação: endpoints em tempo real para clipes curtos e interativos com menos de 60 segundos, e endpoints assíncronos para arquivos de áudio longos que processam os resultados por meio do Amazon S3. As principais considerações para produção incluem fixar a versão específica da AMI da GPU para garantir compatibilidade, escalar a taxa de transferência adicionando instâncias em vez de concorrência e configurar escalonamento automático para zero para eficiência de custos em cenários de lote. O artigo fornece exemplos de código para criar modelos, configurar endpoints e invocar inferência com dados de formulário multipart. Ele também destaca as melhores práticas para proteger artefatos do S3, lidar com dados sensíveis e monitorar o desempenho usando métricas do CloudWatch.
aws