这是一个创建于 435 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
 |
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
|
 |
2
1311317 2023-08-31 23:54:54 +08:00 via Android
wenet
|
 |
3
wingerwwang 2023-09-01 01:10:53 +08:00 via iPhone
Buzz 还不错，跑 cpu 的。
|
 |
5
yhm2046 OP @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？
|
 |
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 |
 |
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 |
Select Language