在隔壁小眾軟件看到了一款有意思的工具-“Const-me/Whisper”。

原版Whisper是OpenAI做的一個神經(jīng)網(wǎng)絡(luò)模型，它可以在本地實時語音轉(zhuǎn)文字，用來翻譯和做字幕等等，而Const-me的版本將Whisper做成了Windows的版本，還添加了GPU加速。

在官方的GitHub頁面上，可以看到這個工具還有不少特點，比如說項目采用純C++實現(xiàn)，除了系統(tǒng)基本組件沒有運行依賴、內(nèi)存占用低、支持大多數(shù)音頻和視頻格式、支持大多數(shù)音頻捕獲設(shè)備、比OpenAI的實現(xiàn)還快。

主要的使用限制是系統(tǒng)版本，Windows 8.1以下和32位的系統(tǒng)是用不了的。

軟件的使用很簡單，一個用于啟動的界面環(huán)境，解壓出來1MB不到，一個用于識別的語言模型，模型有多個版本，想要正常使用得用1G以上的模型，下載文件之后，直接運行啟動器即可。

打開之后就能看見這樸實無華的界面，軟件沒有幾個按鈕，雖然是英文的，但是模型路徑和高級設(shè)置一看就明白。

在高級設(shè)置里面可以設(shè)置要調(diào)用的GPU，這個保持默認就行。

之后就能看到軟件的主界面了，點開選擇語言，可以看到支持的語言還是挺多的，這里就先來試試中文。

在測試的時候發(fā)現(xiàn)用1.42GB的模型，默認出來的是繁體，用2.88GB模型出來的是簡體，這個也可能是系統(tǒng)環(huán)境的原因，大家可以自己測試一下。

測試用的顯卡是GTX1660，轉(zhuǎn)換速度在可接受范圍之內(nèi)，上面這種簡短的句子，用大的識別模型，在某些簡單的語境條件下，以及加上最重要的因素——運氣好的話，竟然有100%的準(zhǔn)確度。

除了音頻文件，直接放視頻也是可以的，但是只要涉及的內(nèi)容一廣，這個在本地運行的缺點就暴露出來了，生成的文本一言難盡，在有數(shù)字的時候會自己轉(zhuǎn)換成阿拉伯?dāng)?shù)字，有英文混雜的時候也會自己嘗試首字母大寫，但是在轉(zhuǎn)換效果上，一眼望過去有不少同音字錯誤，對于中文的前后文聯(lián)想能力比較差。

支持實時錄制音頻。

這個比Windows自帶的語言輸入效果要好一點，同樣的音頻速度，這個工具不會出現(xiàn)丟字的情況。

官方給出的Whisper識別能力圖如下，主要還是用來識別英文。

其他功能上，可以添加時間標(biāo)記和直接翻譯成英文。

想要控制具體的參數(shù)，也可以使用控制臺的版本，還會展示對應(yīng)數(shù)值的置信度。

輸出中文的話會出現(xiàn)一堆問號，這個不是控制臺的編碼顯示問題，但是在輸入轉(zhuǎn)換指令后，在對應(yīng)路徑下面的文本生成是沒有問題的。

有了這個，就可以配合像是Quicker一類的快捷工具，做到本地一鍵轉(zhuǎn)換成文本了。

比較遺憾的是，這個小工具目前只支持將轉(zhuǎn)換的音頻轉(zhuǎn)換為英文，要是未來可以轉(zhuǎn)換成任意語言的話，那可玩性就很高了。