showlab/whisperVideo

WhisperVideo 是一个视频理解工具，结合SAM3图像分割、WhisperX语音识别和说话人分离技术，能够自动追踪视频中的主动说话者，并将语音内容与对应的面部对齐，生成带说话者标识的字幕，适用于视频内容分析和多模态研究。