A AWS publicou um guia de implantação para o WhisperX Deep Learning Container (DLC), uma imagem pronta para GPU que reúne o modelo de fala para texto Whisper, da OpenAI, com alinhamento forçado wav2vec2 e diarização de locutores. O contêiner segue o contrato padrão de serving do SageMaker AI, então as equipes o implantam em um endpoint em tempo real ou assíncrono sem montar o pipeline do zero nem fornecer um token do Hugging Face.
O problema central que o WhisperX resolve: a transcrição genérica entrega timestamps no nível da fala (com erro de vários segundos) e nenhum rótulo de locutor. Isso compromete fluxos de revisão de compliance, legendagem e redação de conteúdo sensível. O WhisperX adiciona timestamps por palavra e marcações de locutor, produzindo saída nos formatos json, verbose_json, srt ou vtt.
A AWS descreve dois padrões de implantação. Endpoints em tempo real servem para clipes curtos e interativos que terminam dentro do limite de resposta de 60 segundos do SageMaker, com cobrança enquanto o endpoint estiver ativo. Endpoints assíncronos intermedeiam entrada e saída via S3, eliminam o limite de tempo e podem escalar automaticamente até zero quando ociosos, voltados para gravações longas e processamento em lote de alto volume.
Detalhes de produção que a AWS destaca como essenciais: as variantes GPU exigem fixar o InferenceAmiVersion como al2-ami-sagemaker-inference-gpu-3-1, já que os drivers da AMI padrão do host falham ao iniciar a imagem CUDA 12.8; a inferência é serializada em uma requisição por contêiner, então o throughput escala adicionando instâncias, não concorrência; e a escolha de instância vai de ml.g4dn.xlarge, para economia, até ml.g5.2xlarge, para folga de capacidade.
Os casos de uso listados pela própria AWS incluem medição de tempo de conversa em contact centers, aderência a script e análise de sentimento, atas de reunião pesquisáveis, legendagem para mídia e bibliotecas de e-learning, e transcrições com rótulo de locutor para auditorias e descoberta jurídica nos setores de saúde, jurídico e financeiro.