语音识别工具，Constme-Whisper软件体验

在隔壁小众软件看到了一款有意思的工具-“Const-me/Whisper”。



原版Whisper是OpenAI做的一个神经网络模型，它可以在本地实时语音转文字，用来翻译和做字幕等等，而Const-me的版本将Whisper做成了Windows的版本，还添加了GPU加速。








在官方的GitHub页面上，可以看到这个工具还有不少特点，比如说项目采用纯C++实现，除了系统基本组件没有运行依赖、内存占用低、支持大多数音频和视频格式、支持大多数音频捕获设备、比OpenAI的实现还快。

主要的使用限制是系统版本，Windows 8.1以下和32位的系统是用不了的。



软件的使用很简单，一个用于启动的界面环境，解压出来1MB不到，一个用于识别的语言模型，模型有多个版本，想要正常使用得用1G以上的模型，下载文件之后，直接运行启动器即可。

打开之后就能看见这朴实无华的界面，软件没有几个按钮，虽然是英文的，但是模型路径和高级设置一看就明白。



在高级设置里面可以设置要调用的GPU，这个保持默认就行。



之后就能看到软件的主界面了，点开选择语言，可以看到支持的语言还是挺多的，这里就先来试试中文。



在测试的时候发现用1.42GB的模型，默认出来的是繁体，用2.88GB模型出来的是简体，这个也可能是系统环境的原因，大家可以自己测试一下。








测试用的显卡是GTX1660，转换速度在可接受范围之内，上面这种简短的句子，用大的识别模型，在某些简单的语境条件下，以及加上最重要的因素——运气好的话，竟然有100%的准确度。
除了音频文件，直接放视频也是可以的，但是只要涉及的内容一广，这个在本地运行的缺点就暴露出来了，生成的文本一言难尽，在有数字的时候会自己转换成阿拉伯数字，有英文混杂的时候也会自己尝试首字母大写，但是在转换效果上，一眼望过去有不少同音字错误，对于中文的前后文联想能力比较差。



支持实时录制音频。



这个比Windows自带的语言输入效果要好一点，同样的音频速度，这个工具不会出现丢字的情况。



官方给出的Whisper识别能力图如下，主要还是用来识别英文。



其他功能上，可以添加时间标记和直接翻译成英文。

想要控制具体的参数，也可以使用控制台的版本，还会展示对应数值的置信度。

输出中文的话会出现一堆问号，这个不是控制台的编码显示问题，但是在输入转换指令后，在对应路径下面的文本生成是没有问题的。



有了这个，就可以配合像是Quicker一类的快捷工具，做到本地一键转换成文本了。



比较遗憾的是，这个小工具目前只支持将转换的音频转换为英文，要是未来可以转换成任意语言的话，那可玩性就很高了。

赞赞赞赞赞赞赞赞

垃圾内容，路过为证。