Whispe本地語(yǔ)音轉(zhuǎn)文字工具

Whisper本地語(yǔ)音轉(zhuǎn)文字工具是一款本地的語(yǔ)音轉(zhuǎn)文字的工具，能夠輔助個(gè)人用戶通過(guò)模型的方式來(lái)完成本地的語(yǔ)音對(duì)文字上面的轉(zhuǎn)換，你需要導(dǎo)入模型進(jìn)行識(shí)別之后才能夠進(jìn)行轉(zhuǎn)換，完全本地化的運(yùn)行，無(wú)需網(wǎng)絡(luò)就能夠使用，快來(lái)西西下載這款Whisper本地語(yǔ)音轉(zhuǎn)文字工具！

Whisper本地語(yǔ)音轉(zhuǎn)文字工具

這個(gè)項(xiàng)目是whisper.cpp實(shí)現(xiàn)的一個(gè)Windows移植。

它又是OpenAI的Whisper自動(dòng)語(yǔ)音識(shí)別（ASR）模型的C++移植。

軟件特點(diǎn)

基于DirectCompute的供應(yīng)商無(wú)關(guān)的GPGPU；該技術(shù)的另一個(gè)名稱是 "Direct3D 11的計(jì)算著色器"

純粹的C++實(shí)現(xiàn)，除了基本的操作系統(tǒng)組件，沒(méi)有運(yùn)行時(shí)的依賴性

比OpenAI的實(shí)現(xiàn)快得多。

在我的臺(tái)式電腦上，使用GeForce 1080Ti GPU，中等型號(hào)，3:24分鐘的演講用PyTorch和CUDA抄寫(xiě)需要45秒，但用我的實(shí)現(xiàn)和DirectCompute只需要19秒。

有趣的是：這相當(dāng)于9.63GB的運(yùn)行時(shí)依賴，而Whisper.dll只有431KB。

混合F16/F32精度。Windows要求從D3D 10.0版本開(kāi)始支持R16_FLOAT緩沖區(qū)。

內(nèi)置性能分析器，可測(cè)量單個(gè)計(jì)算著色器的執(zhí)行時(shí)間

低內(nèi)存使用率

用于音頻處理的媒體基金會(huì)，支持大多數(shù)音頻和視頻格式（Ogg Vorbis是個(gè)明顯的例外），以及在Windows上工作的大多數(shù)音頻捕獲設(shè)備（除了一些專業(yè)的設(shè)備，它們只實(shí)現(xiàn)ASIO API）。

語(yǔ)音活動(dòng)檢測(cè)用于音頻捕獲。

該實(shí)現(xiàn)基于Mohammad Moattar和Mahdi Homayoonpoor在2009年發(fā)表的文章《一種簡(jiǎn)單而有效的實(shí)時(shí)語(yǔ)音活動(dòng)檢測(cè)算法》。

易于使用COM風(fēng)格的API，nuget上有成語(yǔ)的C#包裝器

預(yù)建的二進(jìn)制文件可用