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
yhm2046
V2EX  ›  程序员

目前有什么开源的语音转文字准确率高的?

  •  
  •   yhm2046 · 2023-08-31 23:46:51 +08:00 · 2309 次点击
    这是一个创建于 465 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

    8 条回复    2023-09-01 09:37:44 +08:00
    mushuanl
        1
    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
        2
    1311317  
       2023-08-31 23:54:54 +08:00 via Android
    wenet
    wingerwwang
        3
    wingerwwang  
       2023-09-01 01:10:53 +08:00 via iPhone
    Buzz 还不错,跑 cpu 的。
    mengdodo
        4
    mengdodo  
       2023-09-01 08:40:32 +08:00
    @1311317 准确率如何
    yhm2046
        5
    yhm2046  
    OP
       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
        6
    unimz  
       2023-09-01 08:50:43 +08:00
    yushiro
        7
    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
        8
    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
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   819 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 19:25 · PVG 03:25 · LAX 11:25 · JFK 14:25
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.