5 分钟，看完没有人比你更懂语音识别！

奶酪对“语音识别”的研究，

最早是因为想把自己喜欢的视频文案保存起来。

视频内容不但占用空间大，想要全文索引，又或者要回溯查询时，都是一件非常困难的事。

将一个 20GB 的视频教程，压缩为 2MB 的文本内容。

这是以前不敢想像想象的事情。

然而现在，有了人工智能的加持，这一切都变得触手可及。

01

在线转录

国内最早免费开放在线语音转文字的应用，是网易见外。

不但是速度快，准确率还超出了人们的预期，真正做到了一键转录，被盛赞业界良心，然后没多久，它就下架了。

而现在接棒的是——飞书妙记。

1.1、飞书妙记

飞书妙记是抖音旗下产品，注册登陆后，就直接上传音频或者视频，即使不需要介绍，也一看就知道怎么用。

地址：
https://www.feishu.cn/product/minutes

1.2、使用测评

速度：快，10 分钟视频花费了 1分 25 秒分钟。

准确率：绝大部分内容都能正确识别，且能区分不同说话人。

特色功能：支持中、英、日 3 种语言，能自动添加标点符号和章节分段，支持免费导出为 TXT 和 SRT 格式。

1.3、同类产品

如果要说有什么缺点的话。那就飞书妙记免费用户的存储空间，从原来的 100G 变成 2G，一下子就寒酸了许多。

但和同类产品相比，飞书妙记仍然是更好的选择。

比如讯飞听见、钉钉闪记、阿里云、百度云等产品，它们要么免费额度少，要么需要申请 API，使用门槛高。

而飞书妙记以空间大小为度量。

你可以将视频转换为音频来缩小体积，又或者，你还可以通过删除已经转写的内容来释放空间。

换句话说，你还是可以无限白票。

02

软件转录

如果你需要转录的内容很多，又或者很长，那么使用桌面软件来操作会更加方便。

而在这个领域的佼佼者是 —— 剪映。

2.1、剪映

剪映也是是抖音旗下产品，它是一款桌面视频剪辑软件，但同时提供了识别语音功能，使用时需要联网使用。

使用方法也很简单，点击导航栏的“文本”，然后选择“智能字幕”，即可一键生成字幕。

地址：https://www.capcut.cn

2.2、使用测评

由于同样是字节系产品，剪映的准确率非常高，转录速度也非常的快，同样 10 分钟的视频，剪映只用了 32 秒。

而且，我们不用像“飞书妙记”那样担心空间不够用。

因为抖音不会担心自己的语音识别技术被白票，它担心的是没有人上传视频到抖音。

抖音推出剪映的目的，是为了降低用户制作视频门槛，让更多的人参与到视频制作来，抖音的收益在别处而已。

2.3、同类产品

目前国内能与剪映对标的，当属 B 站推出的“必剪”了。

它的产品逻辑一样，也是为了方便用户创作视频，然后上传到 B 站。

然而在免费额度上，必剪远不如剪映，必剪支持 15 分钟的音频转录，而剪映最大支持 2 小时且不限次数使用。

而且，剪映现在已经支持导出字幕，你可以将导出的字幕用在其它的软件上，抖音格局打开了。

应该说，剪映是视频创作者的必备。

03

离线转录

上面的两款应用都需要联网使用，如果你比较在意隐私的问题，那么你需要一款离线的语音识别工具。

OpeanAI 推出的 Whipser 语音识别模型，是目前最好的选择，没有之一。

对，它和 ChatGPT 是同门师兄弟。

3.1、Whisper

Whipser 多语言语音识别模型，通过了 68 万小时的语音数据训练，支持 99 种语言，对英文的表现更是强无敌。

更重要的是，它开源免费，在电脑上你就能离线使用。

地址：
https://github.com/openai/whisper

在速度方面。

为应对不同的语音转录需求，Whipser 一共推出了 tiny、base、small、medium、large 五档模型。

转录效果依次增加，但相应消耗的时间也会增加。

在相同的硬件条件下，large 模型的耗时是 medium 的 2 倍，small 的 6 倍，base 的 16 倍，tiny 的 32 倍。

使用方法：

Whisper 官方使用 Python 开发，安装后，在文件所在目录打开终端，运行 whisper audio.mp3 即可进行转录。

想进行自定义设置，则可以在后面追加命令参数，具体包括：

whisper audio.mp3 --命令参数

--task

指定转录方式，默认使用 --task transcribe 转录模式，--task translate 则为翻译模式，目前只支持英文。

--model

指定使用模型，默认使用 --model small，Whisper 还有英文专用模型，就是在名称后加上 .en，这样速度更快。

--language

指定转录语言，默认会截取 30 秒来判断语种，但最好指定为某种语言，比如指定中文是 --language Chinese。

--device

指定硬件加速，默认使用 --device cuda ，也就是显卡，--device cpu 为 CPU， --device mps 为 M1 芯片。

3.2、WhisperDesktop

如果使用 Python 命令行的这种形式，槛太高，那么图形化软件 WhisperDesktop 会是一个好选择。

地址：
https://github.com/Const-me/Whisper

为了方便下载，我已经将 WhisperDesktop 和模型文件搬运到了国内的不限速网盘。

公众号后台回复关键字 A24 即可下载。

使用方法分为两步：下载软件 + 载入模型。

下载 WhisperDesktop 后，点击运行，然后加载模型文件，最后选择文件即可进行转录。

由于支持 GPU 硬解，转录速度也非常的快，我测试了一个 2 分钟的视频，使用 medium 模型，花费不到 20 秒。

PS：具体得看显卡性能。

3.3、Buzz

另一款基于 Whisper 的图形化软件是 Buzz，相比 WhipserDesktop，Buzz 支持 Windows、macOS、Linux。

地址：
https://github.com/chidiwilliams/buzz

为了方便下载，我也将 Buzz 和模型文件搬运到了国内的不限速网盘。

公众号后台回复关键字 A24 即可下载。

使用方法也是：安装软件 + 下载模型。

Buzz 的安装包体积稍大，同时 Buzz 使用的是 .pt 后缀名的模型文件，点击运行后会自动下载模型文件。

但你可以提前下好模型文件，然后放在指定的位置即可。

Windows：C:\Users\<你的用户名>\.cache\whisper
Mac：~/.cache/whisper

由于 Buzz 使用的是 CPU 硬解，目前还不支持 GPU 硬解。

同样一个 2 分钟的视频，使用 medium 模型，耗时花费了 2 分 30 秒，比例大概 1:1.2，花费时间还是很长的。

3.4、使用测评

就准确性而言。

三款产品里，飞书妙记和剪映，在中文识别上的效果更好，大体与 Whipser 的 large 模型相当。

飞书妙记甚至还有标点符号、文章分段，智能纠错等功能，在测试中，飞书妙记是唯一个正确转录“谷爱凌”的。

原因是联网转录，通过“云词库”可以自动选择更符合上下文的同音词。

Whisper 的音频数据集只有 1/3 来自非英语，在准确性方面，Whisper 对英文的识别错误率为 4.2，中文为 14.7。

如果转录的音频是英文，那么用 samll 模型就能保证绝大多数正确。

而如果转录的音频是中文，那么至少要用到 medium 模型，才能保证绝大多数正确。

Whisper 强在多语言支持，还有超高的英语识别率。

就转录速度而言。

飞书妙记和剪映都需要联网上传，其中剪映的速度最快，而 Whisper 的转录速度极度依赖显卡的加持。

下面是使用显卡加速，同一段 10 分钟视频的速度对比。

04

语音识别技巧

无论怎样，任何一款语音识别工具都没办法保证 100% 准确，我们还需要有一定的技巧。

4.1、纯净输入

如果转录的是歌曲，又或者有嘈音，背景音乐太大，使用人声分离工具，突出人声，那么识别效果将大大提高。

这样的工具很多，可以选择在线应用，也可以选择免费开源的 UVR5。

在线应用：https://vocalremover.org
UVR5：https://ultimatevocalremover.com

4.2、字幕翻译

Whisper 有时转录出来的文本是繁体中文，又或者你想把字幕翻译为英语来做双语字幕。

一个简单的方法，就是将字幕文件在 Chrome 浏览器中打开，使用自带的翻译功能，即可一键翻译为想要的语言。

当然，你也可以用更加专业的字幕工具，比如 Subtitle Edit。

地址：
https://github.com/SubtitleEdit/subtitleedit

4.3、标点符号

除了飞书妙记外，其它工具都没有标点符号，而且也没有章节分段，如果你想把语音识别后的文本保存为文章。

一个简单的方法，是利用 ChatGPT 来重新排版，只需要提前输入提示词就可以了。

具体：“修复下面这段文章的标点符号并分成段落：<文本内容>”。

需要注意的是，GPT-3.5 输出的最大限制是 777 个字符，所以每一次输入最好不要超过 777 个中文。

但如果你用的是 GPT-4 的话，就没有这个限制。

4.4、一键转录

如果我有大量的视频转文字，和视频字幕生成需求，有没有办法一键转录？

有的！奶酪研究了一套方法，只需要一个 bat 文件即可一键转录，具体我们在下期《语音一键识别》中再做介绍。

4.5、实时转录

除了转录现有视频，有没有办法实时转录直播中的视频？

当然也有！我们同样可以利用 Whisper 来实现同声传译，具体我们在下下期《同声传译》中再做介绍。

结尾

2022 年末，OpenAI 发布的 Whisser 多语言语音识别模型，绝对算得上是一个“游戏改变者”。

在可以预见的未来。

首先，语音识别将会彻底免费，并成为一项公共服务。

其次，视频的语言屏障将会彻底打破，视频一键生成字幕，甚至自动生成字幕，已经成为现实。

还有，视频也将转向文字化，一个 20GB 的视频内容，可以压缩为 2MB 的文本内容，并且能被全文索引。

最后，Whisper 的入场，也会加速人工智能从单模态模型，向多模态模型的发展。

动动嘴皮就能拍出一部电影的魔幻场景，

也正在发生！

生活在“强人工智能”时代，实在是太幸福啦！

回复关键字
A
查看本系列的所有文章，
回复关键字
 A24
获取本文提到的所有资源

近期文章：

专栏介绍：

看完文章：

1、点在看，可以帮助更多的人看到这篇文章。
2、写留言，有问题写评论，我会尽可能回复。

3、点关注，关注并星标，第一时间获取更新。