目前有什么开源的语音转文字准确率高的？

[yhm2046]

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

[mushuanl]

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]

wenet

[wingerwwang]

Buzz 还不错，跑 cpu 的。

[mengdodo]

@1311317 准确率如何

[yhm2046]

@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]

memo.ac

[yushiro]

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]

@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