功能：
- 输出四种格式：.txt .txt(带时间戳) .srt .vtt
- 实时转录
- 翻译成英语
测试速度：
1 Like
确实，英语口语不好的人很抓瞎。
不过也能从侧面练习英语的吧
可以可以。
看起来，GPU 真的是居家必备啊，不然…AI 和你说再见 
2 Likes
youtube的翻译也是音乐直接显示music，感觉可能是用的同一种逻辑：音乐就是音乐，不需要翻译
这个我也调试通了，只不过只会命令行，用python就不会输出了。本想搞成接口分享给大家的。
效果还是不错了，但还有改进的空间，用large模型跑真是太慢了
大概测试了一下
识别一个 30 分钟的英文音频
两个都选择的最高质量（Buzz High／WhisperDesktop ggml-large.bin）
buzz 耗时 15 分钟，CPU 占用 70%
WhisperDesktop 耗时 3 分 55 秒，快 3.8 倍左右，GPU 占用 95%
质量上，大概瞅两眼，差不太多．但是 WhisperDesktop 可能有 BUG，后面有 5 分钟识别出来的全是重复的错误结果
配置是四五年前配的算半老爷机吧 CPU 9900K GPU 2070S
作者说只测试了medium版本。不过我用medium有时也遇到重复结果。
有没软件支持声纹识别的，就是区分不同的人发言。 国内都是要在线上传，比如字节跳动那款，想要离线的。
中文还是比较弱
字幕组应该很喜欢，可以生成带时间轴的文本，省了不少事情呀
集成显卡也能用，当然很慢，不过好处是不占用CPU，机子不会卡
准确度还可以，居然对粤语识别也还行。只是为什么我转换出的全是繁体中文，语言里没有简体可以选。
命令行是中文，python是繁体。
也可能是我没找对命令。
离线语音识别现在真的还需要这么大的算力吗？为什么在12核的i5-12500上跑的还是这么费劲呢？讯飞输入法的离线语音识别在小小的手机上就可以跑得很准确，OpenAI的Whisper模型在PC上跑出来的效果也并没有好多少。