WEBVTT
Kind: captions
Language: zh

00:00:00.533 --> 00:00:02.600
大家好这里是 Hex-电脑课堂

00:00:02.666 --> 00:00:04.000
本期要跟大家分享的是

00:00:04.000 --> 00:00:06.566
一款开源的同声传译的神器

00:00:06.600 --> 00:00:09.100
那这款工具在我自己使用体验后

00:00:09.100 --> 00:00:10.800
我发现它的效果真的很惊艳

00:00:11.066 --> 00:00:13.066
它不只是跨平台

00:00:13.066 --> 00:00:15.533
支持Windows Linux还有macos

00:00:15.666 --> 00:00:17.700
并且整个过程是完全免费的

00:00:17.866 --> 00:00:18.466
更重要的是

00:00:18.466 --> 00:00:19.300
它的效果是

00:00:19.300 --> 00:00:20.600
我觉得是可以跟很多

00:00:20.600 --> 00:00:22.666
商用闭源的去扳扳手腕的

00:00:22.666 --> 00:00:23.933
OK那我们废话不多说

00:00:23.933 --> 00:00:25.400
先给大家直接展示效果

00:00:26.466 --> 00:00:27.400
人工智能

00:00:27.400 --> 00:00:30.166
是一项对社会影响非常深远的技术

00:00:30.266 --> 00:00:32.400
它将重塑社会的各行各业

00:00:45.000 --> 00:00:46.466
OK那我们从现在开始

00:00:46.466 --> 00:00:49.100
就要密切的关注这项技术并且

00:00:49.100 --> 00:00:51.300
保持与时俱进

00:01:00.566 --> 00:01:02.933
所以关注HEX电脑课堂

00:01:03.066 --> 00:01:04.300
并且持续的学习

00:01:04.300 --> 00:01:06.600
让我们一起在AI时代保持进步

00:01:16.933 --> 00:01:18.866
人工智能是一项对社会

00:01:18.866 --> 00:01:20.766
发展影响深远的技术

00:01:20.900 --> 00:01:23.566
它将重塑我们社会各行各业

00:01:37.200 --> 00:01:38.000
人工智能

00:01:38.066 --> 00:01:41.066
它是一项对社会发展影响深远的技术

00:01:41.133 --> 00:01:43.600
它将重塑我们社会各行各业

00:01:57.600 --> 00:01:59.866
OK那大家可以看到刚才的演示

00:01:59.866 --> 00:02:01.566
是不是它的效果非常好

00:02:01.800 --> 00:02:02.900
那本期

00:02:02.900 --> 00:02:04.866
我就将带大家手把手的来

00:02:04.966 --> 00:02:06.800
完成这样项目的一个部署OK

00:02:06.900 --> 00:02:07.600
那首先

00:02:07.600 --> 00:02:09.100
它对系统是有些要求的

00:02:09.100 --> 00:02:10.600
就是你是win10，win11

00:02:10.600 --> 00:02:11.600
这个都没关系

00:02:11.600 --> 00:02:13.000
然后你的电脑如果

00:02:13.133 --> 00:02:14.333
没有GPU的话

00:02:14.333 --> 00:02:15.366
也是ok的

00:02:15.366 --> 00:02:16.500
它要求比较低

00:02:16.533 --> 00:02:18.200
但是如果你有GPU

00:02:18.200 --> 00:02:19.166
有英伟达的显卡

00:02:19.166 --> 00:02:19.766
那更好了

00:02:19.766 --> 00:02:22.566
那建议显存是大于等于8G以上

00:02:22.766 --> 00:02:26.200
然后你的内存最低要4G

00:02:26.200 --> 00:02:26.933
这是最低的

00:02:26.933 --> 00:02:28.866
然后你的磁盘空间的话

00:02:28.866 --> 00:02:30.533
是200兆以上

00:02:30.533 --> 00:02:31.900
这个都是很低的条件

00:02:31.900 --> 00:02:33.066
然后你的麦克风和

00:02:33.066 --> 00:02:34.533
扬声器要正常工作

00:02:34.566 --> 00:02:36.100
第一步我们去下载这个终端

00:02:36.100 --> 00:02:37.333
我们来到这个网页

00:02:37.333 --> 00:02:38.533
这他的官方网页

00:02:38.533 --> 00:02:40.000
我们点击这个下载

00:02:40.266 --> 00:02:41.600
然后点击下载之后

00:02:41.600 --> 00:02:42.800
这个终端就会来

00:02:43.100 --> 00:02:45.566
下载到有这样一个exe的文件

00:02:45.566 --> 00:02:46.500
然后我们双击它

00:02:46.500 --> 00:02:48.266
然后点击下一步下一步安装

00:02:48.266 --> 00:02:50.500
就可以安装到本地了OK

00:02:50.533 --> 00:02:51.766
然后我顺便提一下

00:02:52.000 --> 00:02:53.266
因为它有两种形式

00:02:53.266 --> 00:02:55.500
我们今天讲的是这种终端的形式

00:02:55.500 --> 00:02:56.900
还有一种是它浏览器的

00:02:56.900 --> 00:02:58.400
一个拓展插件的形式

00:02:58.400 --> 00:03:00.533
那这个后面有机会我再给大家讲

00:03:00.566 --> 00:03:02.966
那ok你终端装好之后

00:03:02.966 --> 00:03:05.066
你桌面就会有这样一个LOGO图标

00:03:05.066 --> 00:03:06.600
那我们现在双击打开它

00:03:06.733 --> 00:03:08.066
它就会来到这样一个页面

00:03:08.066 --> 00:03:09.300
我们可以看到右上角有

00:03:09.300 --> 00:03:11.533
登录有字幕有设置等按钮

00:03:11.566 --> 00:03:12.533
那我们这里

00:03:12.533 --> 00:03:13.733
点击这个设置

00:03:14.266 --> 00:03:16.666
我们这里可以选择我说什么语言

00:03:16.666 --> 00:03:17.600
我这里选中文

00:03:17.600 --> 00:03:18.966
然后对方听到什么语言

00:03:18.966 --> 00:03:19.800
你可以去选的

00:03:19.800 --> 00:03:21.200
就是这里选英语

00:03:21.366 --> 00:03:23.066
那你一开始进来这里

00:03:23.066 --> 00:03:24.100
都是没有什么东西的

00:03:24.100 --> 00:03:25.000
你要自己去选

00:03:25.000 --> 00:03:26.166
然后这些选的话也

00:03:26.166 --> 00:03:27.600
不是你可以任意去选的

00:03:27.600 --> 00:03:29.466
要根据你自己去配置的模型

00:03:29.900 --> 00:03:30.966
那模型具体怎么配置

00:03:30.966 --> 00:03:32.133
我跟大家说一下

00:03:32.200 --> 00:03:33.800
比如大家可以看到

00:03:33.933 --> 00:03:36.366
它这里总共是包括了三个模块

00:03:36.366 --> 00:03:38.466
这里比如说有语音识别

00:03:38.500 --> 00:03:40.766
有语音的那个文本的翻译

00:03:40.766 --> 00:03:41.900
还有语音的合成

00:03:42.266 --> 00:03:44.366
那这几个模型是我自己下载的

00:03:44.366 --> 00:03:46.333
那我为什么选择下载这几个模型

00:03:46.333 --> 00:03:48.466
我给大家说一下这个原因

00:03:48.466 --> 00:03:50.933
因为我自己做了很多的一些测试OK

00:03:51.100 --> 00:03:52.300
那这第二步的话

00:03:52.300 --> 00:03:53.400
我们本期先不讲

00:03:53.400 --> 00:03:55.566
因为这个东西是跟插件相关的

00:03:55.566 --> 00:03:57.766
跟我们这期内容不是很相关

00:03:57.766 --> 00:03:59.000
所以我们这边先过

00:03:59.400 --> 00:04:01.000
然后我们先看到第三步

00:04:01.000 --> 00:04:02.400
就是模型下载这里

00:04:02.533 --> 00:04:03.700
模型下载这里了

00:04:03.700 --> 00:04:04.900
首先它分成三个模型

00:04:04.900 --> 00:04:06.133
刚刚跟大家提过了

00:04:06.133 --> 00:04:08.266
然后我建议大家去下载哪个模型

00:04:08.266 --> 00:04:09.333
去下载这一个

00:04:09.333 --> 00:04:10.133
这个模型

00:04:10.333 --> 00:04:12.600
这个mini 4B的

00:04:12.600 --> 00:04:13.666
你可以看到为什么

00:04:13.700 --> 00:04:14.500
因为这个模型

00:04:14.733 --> 00:04:17.366
它的整体的效果是最好的

00:04:17.366 --> 00:04:18.766
在这个地方你可以看到

00:04:18.766 --> 00:04:21.133
它不管是它的精度还是速度

00:04:21.133 --> 00:04:22.100
它都是5颗星

00:04:22.100 --> 00:04:23.300
是满星的

00:04:23.366 --> 00:04:24.866
所以我这边是给

00:04:24.866 --> 00:04:26.366
用这个模型给大家去演示

00:04:26.500 --> 00:04:28.400
然后我等下会教大家怎么去下载

00:04:28.466 --> 00:04:29.566
对然后

00:04:29.566 --> 00:04:30.966
我顺便给大家提一下

00:04:30.966 --> 00:04:32.200
它这里有提到一个概念

00:04:32.200 --> 00:04:34.400
就是什么webgpu

00:04:34.600 --> 00:04:36.966
这个东西就是相当于是用GPU去做

00:04:36.966 --> 00:04:38.900
网页端的一个渲染加速的

00:04:38.900 --> 00:04:39.800
以往都是CPU

00:04:39.800 --> 00:04:41.533
所以你选它的话会更好

00:04:41.533 --> 00:04:42.200
速度更快

00:04:42.200 --> 00:04:44.333
第二步的话去下载机器翻译的模型

00:04:44.766 --> 00:04:46.200
那机器翻译的模型官方

00:04:46.200 --> 00:04:47.800
这边推荐我们是用这个模型

00:04:48.000 --> 00:04:50.400
就是这个叫做translate Gemma

00:04:50.600 --> 00:04:52.766
它的速度和质量整体也是最好的

00:04:52.766 --> 00:04:54.300
所以我们就选它

00:04:54.333 --> 00:04:55.866
然后这边下载的好了之后

00:04:55.866 --> 00:04:58.266
这个模型大概是有将近3G左右

00:04:58.333 --> 00:04:59.333
然后你可以看到它这边

00:04:59.333 --> 00:05:00.900
支持了各种各样的语言

00:05:00.900 --> 00:05:01.866
语种也比较丰富

00:05:01.866 --> 00:05:02.666
OK

00:05:02.766 --> 00:05:05.133
然后TTS模型就是语音合成

00:05:05.133 --> 00:05:06.266
就是那个播音的

00:05:06.300 --> 00:05:07.133
那这个的话

00:05:07.133 --> 00:05:09.933
我这边是选的是这个supersonic

00:05:10.000 --> 00:05:11.066
那这个模型我们可以

00:05:11.066 --> 00:05:13.066
看到它只有380多兆

00:05:13.500 --> 00:05:14.666
对吧它比较小

00:05:14.666 --> 00:05:16.600
然后它支持的语种也很丰富

00:05:16.733 --> 00:05:17.700
那这样的话

00:05:17.700 --> 00:05:21.100
就是你组合起来就会非常的丰富了

00:05:21.100 --> 00:05:23.166
对吧你语音识别跟语音合成

00:05:23.166 --> 00:05:24.166
包括那个翻译

00:05:24.166 --> 00:05:26.100
那语种的范围就很丰富了

00:05:26.100 --> 00:05:28.333
你的可拓展性就很强了对吧

00:05:28.366 --> 00:05:30.200
OK那它怎么样配来

00:05:30.466 --> 00:05:32.733
教大家首先我们来到语音识别这里

00:05:32.733 --> 00:05:34.266
你默认的话它是会

00:05:34.266 --> 00:05:37.100
这里有一个叫做浏览模型库

00:05:37.100 --> 00:05:38.166
我们点击一下

00:05:38.266 --> 00:05:39.666
然后这边有很多的模型

00:05:39.666 --> 00:05:40.700
大家可以看到

00:05:40.700 --> 00:05:43.133
这边我们就选择刚才已经下好的

00:05:43.133 --> 00:05:43.933
我这边已经下好了

00:05:43.933 --> 00:05:45.600
它就会显示使用中

00:05:45.600 --> 00:05:46.800
你没有下载好的

00:05:46.800 --> 00:05:47.666
我举个例子

00:05:47.666 --> 00:05:49.100
你就点一下这个下载按钮

00:05:49.300 --> 00:05:50.266
你点一下下载

00:05:50.266 --> 00:05:52.266
它就会给你开始在本地去下载了

00:05:52.400 --> 00:05:54.500
然后你就只要等个几分钟就好了

00:05:54.500 --> 00:05:55.466
那这里的话

00:05:55.466 --> 00:05:56.700
需要注意的就是你的

00:05:56.700 --> 00:05:58.800
网络一定要保持全局模式

00:05:58.800 --> 00:05:59.600
网络要稳定

00:05:59.600 --> 00:06:01.733
你看他就现在已经开始下载了OK

00:06:01.766 --> 00:06:02.966
那我这边暂时不用给他下

00:06:02.966 --> 00:06:03.800
我就给他叉掉

00:06:03.800 --> 00:06:04.966
我还是依然用我们的

00:06:04.966 --> 00:06:08.500
这个mini的4B的这个模型OK然后

00:06:08.666 --> 00:06:11.366
我们再接着去找刚才另外几个模型

00:06:11.500 --> 00:06:12.300
比如说

00:06:12.533 --> 00:06:13.933
语音那个翻译的模型

00:06:13.933 --> 00:06:14.666
这个也有

00:06:14.666 --> 00:06:15.500
这里我们

00:06:15.500 --> 00:06:16.966
点击这个浏览模型库

00:06:16.966 --> 00:06:17.666
都是一样的

00:06:17.666 --> 00:06:18.800
很容易操作

00:06:19.066 --> 00:06:21.866
这边我已经下载好了这个translate Gemma

00:06:21.866 --> 00:06:23.100
刚才那个4B模型

00:06:23.166 --> 00:06:24.866
那其他的模型你要下载也是一样的

00:06:24.866 --> 00:06:26.666
在这个地方点下载按钮就好了

00:06:26.666 --> 00:06:27.866
很简单

00:06:28.000 --> 00:06:29.933
然后最后一个这个模型就是

00:06:29.933 --> 00:06:31.700
那个语音合成的这个模型

00:06:31.700 --> 00:06:33.666
同样还是在这里点浏览模型库

00:06:34.300 --> 00:06:35.933
可以看到这底下有很多待选的

00:06:35.933 --> 00:06:37.333
你根据自己的需求来选

00:06:37.400 --> 00:06:38.800
那它这边会有一些标签

00:06:38.800 --> 00:06:41.100
就是什么en, fa这些

00:06:41.100 --> 00:06:43.566
这些是代表你这个语音的模型

00:06:43.566 --> 00:06:44.933
它支持哪些语种

00:06:44.933 --> 00:06:46.300
我这里选择一个很多的

00:06:46.300 --> 00:06:47.133
大家可以看到

00:06:47.133 --> 00:06:48.466
我把它也下载好了

00:06:48.566 --> 00:06:49.300
下载好之后

00:06:49.300 --> 00:06:51.166
这三个模型都配好了OK

00:06:51.166 --> 00:06:53.133
那我们现在要把它选中了

00:06:53.133 --> 00:06:54.766
就是你已经把它都选好了

00:06:54.766 --> 00:06:57.000
然后这里有语音合成的一个速度

00:06:57.200 --> 00:06:57.766
这个东西

00:06:57.766 --> 00:06:58.733
它默认是1.0

00:06:58.733 --> 00:07:00.133
我这里给它改成了1.2

00:07:00.133 --> 00:07:02.266
可能我觉得稍微速度会快一点

00:07:02.266 --> 00:07:04.300
这个根据个人的一个需求吧

00:07:04.300 --> 00:07:05.966
都没有一个绝对的标准

00:07:06.100 --> 00:07:07.500
然后底下这几个参数

00:07:07.500 --> 00:07:08.900
我要给大家稍微提一下

00:07:08.933 --> 00:07:10.800
这些都是默认已经配好的

00:07:10.800 --> 00:07:12.300
它都是一个比较成熟的参数

00:07:12.300 --> 00:07:13.966
你不用一般不用去改的

00:07:13.966 --> 00:07:14.966
像这个什么

00:07:14.966 --> 00:07:17.166
比如说这个最小的静音时长

00:07:17.600 --> 00:07:19.500
这一项它一般是设置为1.4秒

00:07:19.500 --> 00:07:20.266
是什么意思

00:07:20.266 --> 00:07:21.300
就是我们说话的时候

00:07:21.300 --> 00:07:23.866
如果两句话间隔超过了1.4秒的话

00:07:23.866 --> 00:07:26.700
那么它就会把这里切割开

00:07:26.700 --> 00:07:27.566
分成两句话

00:07:27.566 --> 00:07:28.500
就这意思

00:07:28.533 --> 00:07:29.866
然后最小的语音时长

00:07:29.866 --> 00:07:32.000
它这里默认写的是0.4秒

00:07:32.300 --> 00:07:33.000
也就是说

00:07:33.000 --> 00:07:34.133
如果你说话的有一些

00:07:34.133 --> 00:07:35.933
那种声音比较零碎

00:07:35.933 --> 00:07:37.733
那个声音的片段小于0.4秒

00:07:37.733 --> 00:07:38.966
他就不会给你去识别

00:07:38.966 --> 00:07:40.400
就相当于是杂音对吧

00:07:40.400 --> 00:07:42.333
这也是比较节省算力的一种方法

00:07:42.533 --> 00:07:43.866
OK那这个都弄好之后

00:07:43.866 --> 00:07:45.266
我们这里还有一个音频

00:07:45.466 --> 00:07:47.066
这一项也是你的

00:07:47.200 --> 00:07:48.466
就是你的物理的外设

00:07:48.466 --> 00:07:49.333
我们要选什么

00:07:49.333 --> 00:07:50.533
首先你的麦克风

00:07:50.533 --> 00:07:52.666
你要选你的实际的物理的外设

00:07:52.666 --> 00:07:53.600
你不要选其他的

00:07:53.600 --> 00:07:55.200
不然他到时候连不通的

00:07:55.300 --> 00:07:56.500
然后

00:07:56.500 --> 00:07:58.400
这个东西其他一般就不用管了

00:07:58.400 --> 00:08:00.166
然后还有这个供提供商

00:08:00.166 --> 00:08:01.700
这个刚刚我们已经说过了

00:08:01.733 --> 00:08:03.700
对然后就是常规这里

00:08:03.700 --> 00:08:04.900
然后你要说什么

00:08:04.900 --> 00:08:05.866
你要说中文

00:08:05.966 --> 00:08:07.933
然后你希望对方听到什么

00:08:07.933 --> 00:08:08.866
我选英文

00:08:08.900 --> 00:08:10.933
那你这里的语言你要注意

00:08:11.066 --> 00:08:12.566
因为我刚才选的那些模型

00:08:12.566 --> 00:08:13.933
它支持了很多种语种

00:08:13.933 --> 00:08:15.733
所以我这里才有的这么多选

00:08:16.300 --> 00:08:17.666
如果你选的模型它就

00:08:17.666 --> 00:08:18.733
支持一两种语种的话

00:08:18.733 --> 00:08:20.400
你这个下拉框是没这么多选的

00:08:20.566 --> 00:08:21.866
那我们这边选好之后

00:08:21.866 --> 00:08:24.533
我们就点击这里开始会话

00:08:24.533 --> 00:08:25.533
然后左边

00:08:25.533 --> 00:08:26.400
它是有3个

00:08:26.400 --> 00:08:27.466
这里是我

00:08:27.466 --> 00:08:28.533
还有一个对方

00:08:28.533 --> 00:08:29.666
还有一个两者

00:08:29.766 --> 00:08:31.466
那我们目前主要是用

00:08:31.466 --> 00:08:32.466
我这种方式就好了

00:08:32.666 --> 00:08:33.600
如果是对方的话

00:08:33.600 --> 00:08:34.366
那就是另外一种

00:08:34.366 --> 00:08:36.600
这后面这两个我们今天不演示了OK

00:08:36.666 --> 00:08:38.066
然后我们点击开始会话

00:08:38.566 --> 00:08:39.600
这里加载好了之后

00:08:39.600 --> 00:08:40.900
我们现在就可以说话了

00:08:40.900 --> 00:08:42.266
然后你可以看到左上角

00:08:42.266 --> 00:08:45.000
它正在识别我们讲的话

00:08:45.000 --> 00:08:46.600
然后它这个是实时的

00:08:46.600 --> 00:08:47.466
是流式的

00:08:47.466 --> 00:08:48.666
那这个字有点小

00:08:48.666 --> 00:08:49.933
我们可以点一下右上角

00:08:49.933 --> 00:08:51.100
这里有一个字幕

00:08:51.100 --> 00:08:52.166
把它放大一些

00:09:11.000 --> 00:09:11.966
对整体看上去

00:09:11.966 --> 00:09:12.966
它这个效果还可以

00:09:12.966 --> 00:09:13.966
虽然说有时候可能

00:09:13.966 --> 00:09:15.533
识别的个别字不太精准

00:09:15.533 --> 00:09:17.066
那当然这可能也是我个人

00:09:17.066 --> 00:09:18.533
有时候普通话不太标准

00:09:18.533 --> 00:09:19.600
所以它识别起来

00:09:19.600 --> 00:09:21.500
可能会有一些点误差

00:09:21.500 --> 00:09:23.000
但是也不影响它的一个翻译

00:09:23.000 --> 00:09:24.933
我们可以看到它整体

00:09:24.933 --> 00:09:26.500
我觉得效果还是不错的

00:09:51.933 --> 00:09:52.800
OK我们退出的话

00:09:52.800 --> 00:09:53.966
我们就点一下ESC

00:09:54.266 --> 00:09:55.433
然后这些字幕的话

00:09:55.500 --> 00:09:58.366
它有一个删除的小按钮点一下

00:09:58.466 --> 00:10:00.166
它就给它清空了

00:10:00.166 --> 00:10:01.066
然后我们要结束的话

00:10:01.066 --> 00:10:03.200
我们点击下方的这个结束会话

00:10:03.333 --> 00:10:04.600
那这个就结束了

00:10:04.900 --> 00:10:07.400
OK那如果你希望对方听到的

00:10:07.400 --> 00:10:09.533
就我刚刚给大家演示了不同的语种

00:10:09.533 --> 00:10:10.600
这个地方比如说你

00:10:10.600 --> 00:10:12.300
想要他听到西班牙语

00:10:12.300 --> 00:10:14.166
或者是你想要他听到日本语

00:10:14.166 --> 00:10:15.866
那你这个地方切换一下就好了

00:10:15.866 --> 00:10:17.666
然后你这里点击开始会话

00:10:18.666 --> 00:10:20.533
你好可以听到我声音吗

00:10:25.266 --> 00:10:25.733
你好

00:10:25.733 --> 00:10:28.533
我想现在跟你分享一些事情

00:10:33.900 --> 00:10:34.733
你可以看到

00:10:34.733 --> 00:10:35.766
他这个字幕还是

00:10:35.766 --> 00:10:37.733
就是逐步的播过去的

00:10:37.733 --> 00:10:40.100
这个我觉得效果是非常好的

00:10:40.100 --> 00:10:42.333
就是有你讲话

00:10:42.333 --> 00:10:45.500
然后你可以看到这个字幕是在流动的

00:11:03.766 --> 00:11:05.066
OK然后我们把它结束

00:11:05.066 --> 00:11:07.766
然后我们可以再切换其他的这种语言

00:11:07.766 --> 00:11:08.800
那这些都是类似的

00:11:08.800 --> 00:11:10.800
我就不给大家一一去演示了

00:11:10.966 --> 00:11:13.133
然后这上面有一些东西

00:11:13.133 --> 00:11:14.100
我再给大家讲一下

00:11:14.100 --> 00:11:15.500
就是提供商

00:11:15.733 --> 00:11:18.633
那因为本地的其实我已经试过了

00:11:18.733 --> 00:11:20.466
这几个模型它都是在本地

00:11:20.466 --> 00:11:22.766
就没有去走任何在线的API

00:11:22.766 --> 00:11:24.066
那如果有些小伙伴他说

00:11:24.066 --> 00:11:25.566
我有在线的这种API的话

00:11:25.566 --> 00:11:26.400
你也可以去用

00:11:26.400 --> 00:11:27.066
这个都行

00:11:27.066 --> 00:11:28.400
因为我觉得其实本地

00:11:28.400 --> 00:11:29.500
的效果已经很棒了

00:11:29.500 --> 00:11:30.366
大家可以看到

00:11:30.466 --> 00:11:31.566
那这边怎么选

00:11:31.566 --> 00:11:32.300
你可以看到

00:11:32.300 --> 00:11:33.966
首先在这个地方点常规

00:11:34.266 --> 00:11:36.100
然后这里有个AI服务提供商

00:11:36.100 --> 00:11:37.100
我们点一下

00:11:37.100 --> 00:11:38.400
这里有Openai

00:11:38.466 --> 00:11:39.766
有一些其他的

00:11:39.766 --> 00:11:41.100
比如说什么豆包

00:11:41.100 --> 00:11:42.800
还有那个谷歌Gemini呀

00:11:42.800 --> 00:11:43.766
等等的这些

00:11:43.866 --> 00:11:45.166
你有买哪个API

00:11:45.166 --> 00:11:46.800
你就给它对应的输入

00:11:46.800 --> 00:11:48.000
比如我点Openai的

00:11:48.000 --> 00:11:49.333
你看你点进Openai的

00:11:49.333 --> 00:11:50.766
这个地方填入你的密钥

00:11:50.900 --> 00:11:52.400
然后这里音频的话

00:11:52.400 --> 00:11:53.466
这个保持不动

00:11:53.600 --> 00:11:54.733
提供商这一块的话

00:11:54.733 --> 00:11:55.500
你可以选

00:11:55.500 --> 00:11:56.500
在这里选择

00:11:56.500 --> 00:11:58.733
就是Openai那个语音的模型对应的

00:11:58.733 --> 00:12:01.000
发音的那个角色对吧

00:12:01.000 --> 00:12:01.866
你自己去选

00:12:01.866 --> 00:12:03.300
然后这些东西你可以把

00:12:03.300 --> 00:12:04.800
它参数对应的填过去

00:12:04.933 --> 00:12:07.066
它就可以调在线的API了，对

00:12:07.133 --> 00:12:08.333
那原理是一样的

00:12:08.333 --> 00:12:09.400
但是我自己是觉得

00:12:09.400 --> 00:12:11.300
就是其实我们免费的

00:12:11.300 --> 00:12:12.166
就是我今天给大家

00:12:12.166 --> 00:12:13.500
展示的主要是免费的

00:12:13.766 --> 00:12:15.300
已经够用了对

00:12:15.333 --> 00:12:17.700
所以整体实现下来这个效果是

00:12:17.700 --> 00:12:18.333
我觉得是在我目前

00:12:19.400 --> 00:12:20.866
就是看过的所有的开源的

00:12:20.866 --> 00:12:21.366
这种同声传译的项目里面

00:12:22.100 --> 00:12:23.033
应该是最好的了

00:12:23.033 --> 00:12:24.400
所以我强烈建议大家

00:12:24.400 --> 00:12:27.133
尤其是很多小伙伴经常需要

00:12:27.266 --> 00:12:28.800
就是用到外语去交流

00:12:28.800 --> 00:12:29.800
但是自己可能外语

00:12:29.800 --> 00:12:31.166
水平可能还没那么好

00:12:31.166 --> 00:12:32.366
用这些工具我觉得是

00:12:32.366 --> 00:12:34.066
对你有很大的帮助的OK

00:12:34.266 --> 00:12:36.600
那本期的这些课程资源其实比较少

00:12:36.600 --> 00:12:37.733
但是我会放到评论区

00:12:37.733 --> 00:12:38.933
大家直接可以去用

00:12:38.933 --> 00:12:41.100
那我最后还要提到一个注意点

00:12:41.100 --> 00:12:42.766
就是我在实际使用过程中

00:12:43.366 --> 00:12:45.200
很多小伙伴使用的时候会报错

00:12:45.333 --> 00:12:47.133
那这个报错是什么原因造成的

00:12:47.133 --> 00:12:49.166
就是我们一定要注意

00:12:49.266 --> 00:12:51.566
我们用到的这三个模型

00:12:51.566 --> 00:12:53.333
它支持的语种范围是什么

00:12:53.966 --> 00:12:54.666
举个例子

00:12:54.666 --> 00:12:56.366
比如说我这里的语种

00:12:56.366 --> 00:12:56.866
它有一个粤语

00:12:57.500 --> 00:12:58.333
这也是支持的

00:12:58.400 --> 00:13:01.166
我们可以看到这有粤语对吧但是

00:13:01.333 --> 00:13:02.366
我这里说话的话

00:13:02.366 --> 00:13:04.000
我说的是普通话然后

00:13:04.000 --> 00:13:06.000
我这个语音识别可能它这个模型

00:13:06.333 --> 00:13:07.733
它能够识别普通话

00:13:07.733 --> 00:13:10.266
但是它语音合成的那个模型

00:13:10.266 --> 00:13:12.000
它不支持播放粤语

00:13:12.000 --> 00:13:13.066
那么它就会报错

00:13:13.066 --> 00:13:14.166
你这三个模型

00:13:15.100 --> 00:13:16.800
大家可以看到

00:13:16.800 --> 00:13:18.133
就是你这三个模型

00:13:18.200 --> 00:13:20.900
它们支持的语种一定要有共同的

00:13:21.400 --> 00:13:23.000
那么这个链路才是通的

00:13:23.400 --> 00:13:24.733
有一个不支持的

00:13:24.733 --> 00:13:26.233
那么你这个链路就通不了

00:13:26.466 --> 00:13:27.166
小伙伴可能遇到的这些

00:13:27.733 --> 00:13:29.900
大部分可能是这一方面的问题

00:13:29.900 --> 00:13:31.600
还有就是你网络不好

00:13:31.600 --> 00:13:33.100
你网络如果有问题的话

00:13:33.100 --> 00:13:34.200
你没开全局模式的话

00:13:34.200 --> 00:13:36.100
你这些模型是下载不到你本地的

00:13:36.100 --> 00:13:36.966
还有一个细节就是

00:13:36.966 --> 00:13:38.166
关于这里有个登录

00:13:38.166 --> 00:13:39.900
这里刚才跟大家有讲过

00:13:39.900 --> 00:13:41.066
你看这个登录这里

00:13:41.066 --> 00:13:42.133
你可以点击去注册

00:13:42.133 --> 00:13:44.700
或者是就已经有账号就登录进去

00:13:44.900 --> 00:13:45.766
那它本质上

00:13:45.766 --> 00:13:48.066
它会用到它云端的这个sokuji

00:13:48.066 --> 00:13:49.300
它自己的翻译服务 api

00:13:49.600 --> 00:13:52.000
那对于有些小伙伴不想去折腾

00:13:52.000 --> 00:13:52.900
你可以去用它

00:13:52.900 --> 00:13:53.933
那这样的话你就不用

00:13:53.933 --> 00:13:55.266
去本地下载模型了

00:13:55.266 --> 00:13:56.966
但是要提醒一下大家就是

00:13:56.966 --> 00:13:57.666
你这样的话

00:13:57.666 --> 00:13:59.533
你的数据是会经过它的服务器的

00:13:59.533 --> 00:14:00.966
就是说数据的隐私性

00:14:00.966 --> 00:14:01.466
就保障没那么好

00:14:01.866 --> 00:14:02.866
根据自己的需求来

00:14:02.866 --> 00:14:04.333
如果你全都想让数据不

00:14:04.333 --> 00:14:05.700
出自己的本地的电脑

00:14:05.700 --> 00:14:07.566
那么你就用我刚刚给大家讲的方法

00:14:07.700 --> 00:14:08.333
还有一点

00:14:08.333 --> 00:14:09.866
也是我个人使用的一个经验

00:14:09.866 --> 00:14:12.133
这个东西对大家应该很有帮助

00:14:12.533 --> 00:14:13.700
同声传译这个东西

00:14:13.700 --> 00:14:15.800
大家要知道它最看重的是什么

00:14:15.800 --> 00:14:18.133
就是一个是翻译的准确性

00:14:18.166 --> 00:14:19.600
一个是它的一个时延

00:14:19.733 --> 00:14:21.266
就是我们那个翻译的

00:14:21.266 --> 00:14:22.566
那个时间不能太久了

00:14:22.566 --> 00:14:24.200
这样的话就做不到同声了

00:14:24.200 --> 00:14:26.933
那我们要想在这个项目中

00:14:26.933 --> 00:14:29.666
要尽量的去把它时延降低

00:14:29.666 --> 00:14:31.266
让它的用户体验更好

00:14:31.266 --> 00:14:32.466
应该怎么去做

00:14:32.500 --> 00:14:34.100
首先刚才我跟大家是讲了

00:14:34.100 --> 00:14:35.600
它里面有很多模型对吧

00:14:35.600 --> 00:14:38.200
大家可以看到这模型是有一大堆的

00:14:38.366 --> 00:14:40.200
那么我们应该怎么去选模型

00:14:40.200 --> 00:14:41.100
大家要记住

00:14:41.300 --> 00:14:43.366
你要选肯定要去选流式的

00:14:43.600 --> 00:14:45.600
也就是说不要选非流式的模型

00:14:45.600 --> 00:14:47.066
那流式的模型一般会带上

00:14:47.066 --> 00:14:49.000
一个叫realtime的这个字段

00:14:49.000 --> 00:14:51.700
然后有这个Web GPU的

00:14:51.700 --> 00:14:53.500
你就尽量去选它对

00:14:53.566 --> 00:14:54.966
这个是一个细节

00:14:54.966 --> 00:14:55.566
很重要的

00:14:55.566 --> 00:14:57.266
就是你选那种非流式的

00:14:57.266 --> 00:14:58.100
它推你的话

00:14:58.100 --> 00:14:59.500
那整个链路就会很慢了

00:14:59.500 --> 00:15:02.266
等于说你说完半句话以后

00:15:02.333 --> 00:15:04.133
别人都已经说完下一句了

00:15:04.133 --> 00:15:05.266
它还没翻译完

00:15:05.266 --> 00:15:07.466
那当然那那体验就很不好了对吧

00:15:07.466 --> 00:15:08.766
所以大家一定要记住

00:15:08.766 --> 00:15:10.533
就是要尽量选流式的模型

00:15:10.700 --> 00:15:11.966
不管是语音识别

00:15:11.966 --> 00:15:13.100
还是那个翻译

00:15:13.100 --> 00:15:14.466
或者是那个语音合成

00:15:14.466 --> 00:15:15.733
都要去选流式的

00:15:15.733 --> 00:15:17.100
然后有GPU的话

00:15:17.100 --> 00:15:19.800
就要去把那个webgpu那个也选好

00:15:19.966 --> 00:15:20.800
那本期视频

00:15:20.800 --> 00:15:22.200
我就跟大家分享到这了

00:15:22.200 --> 00:15:23.066
大家如果觉得我的

00:15:23.066 --> 00:15:24.533
视频对你有帮助的话

00:15:24.566 --> 00:15:26.000
也请支持一下我的创作

00:15:26.000 --> 00:15:27.500
帮我点赞关注转发

00:15:27.500 --> 00:15:29.066
那本期内容到此结束

00:15:29.066 --> 00:15:30.200
我们下期再会