目前有什么开源的语音转文字准确率高的？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 451 天前的主题，其中的信息可能已经有所发展或是发生改变。

目前用 whisper+ggerganov 模型，2.8G 的，显卡是 gtx970 ，转译出来的全部是这种效果：

[00:29:20.000 --> 00:29:26.000] ( 錄影時間 ) [00:29:26.000 --> 00:29:32.000] ( 錄影時間 ) [00:29:32.000 --> 00:29:38.000] ( 錄影時間 ) [00:29:38.000 --> 00:29:44.000] ( 錄影時間 ) [00:29:44.000 --> 00:29:49.000] ( 錄影時間 ) [00:29:49.000 --> 00:29:55.000] ( 錄影時間 ) [00:29:55.000 --> 00:30:01.000] ( 錄影時間 ) [00:30:01.000 --> 00:30:07.000] ( 錄影時間 ) [00:30:07.000 --> 00:30:13.000] ( 錄影時間 ) [00:30:13.000 --> 00:30:18.000] ( 錄影時間 ) [00:30:18.000 --> 00:30:24.000] ( 錄影時間 ) [00:30:24.000 --> 00:30:30.000] ( 錄影時間 ) [00:30:30.000 --> 00:30:36.000] ( 錄影時間 ) [00:30:36.000 --> 00:30:42.000] ( 錄影時間 ) [00:30:42.000 --> 00:30:47.000] ( 錄影時間 ) [00:30:47.000 --> 00:30:53.000] ( 錄影時間 ) [00:30:53.000 --> 00:30:59.000] ( 錄影時間 ) [00:30:59.000 --> 00:31:05.000] ( 錄影時間 ) [00:31:05.000 --> 00:31:11.000] ( 錄影時間 ) [00:31:11.000 --> 00:31:16.000] ( 錄影時間 ) [00:31:16.000 --> 00:31:22.000] ( 錄影時間 )

之前还能有一半左右的可以译成有效文字，不知道是否这次的录音音源不行，我是用手机录音的

錄影

時間

00:30:24

00:30:01

8 条回复 • 2023-09-01 09:37:44 +08:00

mushuanl

2023-08-31 23:50:40 +08:00 via iPhone

拿最大的那个模型，不要量化，我前面直接 cpu 转的效果不错

1311317

2023-08-31 23:54:54 +08:00 via Android

wenet

wingerwwang

2023-09-01 01:10:53 +08:00 via iPhone

Buzz 还不错，跑 cpu 的。

mengdodo

2023-09-01 08:40:32 +08:00

@1311317 准确率如何

yhm2046

2023-09-01 08:47:50 +08:00 via Android

@mushuanl 我下的模型就是最大的，不要量化什么意思？是不用时间轴，不用显卡直接用 CPU 跑吗？

unimz

2023-09-01 08:50:43 +08:00

memo.ac

yushiro

2023-09-01 09:29:29 +08:00 via iPhone

不要直接用原生的 whisper ，因为没有 vad 检测，所以会遇到非语音的时间段，就会产生重复文字，我记得 fast-whisper 还有 translate2 都可以添加 vad 判断的，你可以试试。
vad 是指语音激活判断，确定当前声音是否包含语音内容

Alias4ck

2023-09-01 09:37:44 +08:00

@yhm2046 你都用 whisper.cpp 了基本不都是用 cpu 推理吗量化是指 https://github.com/ggerganov/whisper.cpp#quantization 用更少的内存和磁盘空间推理
不过 whisper.cpp 基本不量化除非你机器内存实际太小了
https://github.com/ggerganov/whisper.cpp#memory-usage 最大的也就是 3.3g 内存

你要用显卡跑的话直接用 https://github.com/openai/whisper 这个就能跑了啊
不过这个模型 https://huggingface.co/openai/whisper-large-v2 要最低 10G 显存你这显卡跑不了