start	end	text
0	25200	大家好,這裡是Hex電腦核糖。本期要跟大家分享的是一款開源的同聲傳異的神器。那這款工具在我自己使用體驗後呢,我發現它的效果真的很驚艷。它不只是跨平台,支持Windows、Ninogus還有MacOS,並且整個過程是完全免費的。更重要的是它的效果是我覺得是可以跟很多商用必源的去幫忙手腕的。OK,但我們廢話不多說,先給大家直接展示效果。
25200	30020	人工智能是一项对社会影响非常深远的技术
30020	32220	它将重塑社会的各行各业
32220	48300	我们从现在开始就要密切地关注这项技术
48300	51120	并且保持与时俱进
51120	62780	所以光注Hex电脑和谈
62780	64340	并且持续地学习
64340	66480	让文艺一起在AI时代保持进步
76560	80560	人工智能是一项对社会发展影响深远的技术
80560	83380	它将重塑我们社会够行够业
83380	97780	人工智能
97780	99540	它是一项对社会发展
99540	100860	影响深远的技术
100860	103380	它将重塑我们社会够行够业
103380	119660	OK 大家可以看到刚才的演示
119660	121320	是不是它的效果非常好
121320	124720	那本期呢 我就先带大家手把手了
124720	126180	来完成这个项目的一个部署
126180	128940	OK 那首先呢它的系统是有些要求的
128940	130540	就是你是 W10 W11
130540	131460	这个都没关系
131460	133980	然后你的电脑如果没有GPU的话
133980	135300	也是OK的
135300	136260	在要素比较低
136260	138260	但是如果你有GPU
138260	139700	有音伟达的显感那更好了
139700	142120	建议显存是大于8G以上
142120	145780	然后你的内存最低要4G
145780	146960	这是最低的
146960	148740	然后你的磁帮空间的话
148740	150120	是200兆以上
150120	151720	这个都是很低的条件
151720	153460	然后你的麦克风和延伸器
153460	154240	要正常工作
154240	155980	第一步我们去下载这个终端
155980	157140	我们来到这个网页
157140	158520	这是它的光团网页
158520	159880	我们点击这个下载
159880	161540	然后点击下载之后
161540	163640	这个中端就会来下载到
163640	165500	有这样一个exe的文件
165500	166380	我们双击它
166380	167420	然后点击下一步
167420	168080	下一步安装
168080	170020	就可以安装到本地了
170020	170260	OK
170260	171600	然后顺便提一下
171600	173140	因为它们两种形式
173140	174240	我们今天讲的是
174240	175400	这种中端的形式
175400	176940	还有一种是它浏览器的
176940	178360	一个拓展插件的形式
178360	179540	这个后面有机会
179540	180300	我再给大家讲
180300	181100	OK
181100	183020	你中端穿好之后
183020	183880	你桌面就会有
183880	184960	这样一个logo图标
184960	186480	我们现在双击打开它
186480	187920	它就会来到这样一页面
187920	188620	我们可以看到
188620	189620	右上角有登录
189620	191380	有字幕有设置等按钮
191380	193600	我们这里的点击设置
193600	195440	我们这里可以选的
195440	196680	我说什么语言
196680	197560	我这里选中文
197560	198940	然后对方听到什么语言
198940	199700	你可以去选的
199700	201020	就是这里选英语
201020	202820	你一开始进来
202820	204100	这里都是没有什么东西的
204100	204840	你要自己去选
204840	206060	然后这些选的话
206060	207660	也不是你可以任意去选的
207660	209280	要根据你自己去配置的模型
209280	210900	模型具体怎么配置
210900	211820	我给大家说一下
211820	213460	比如大家可以看到
213460	216080	它这里总共是包括了三个模块
216080	218340	这里比如说有语音识别
218340	220780	有语音的文本的翻译
220780	221740	还有语音的合成
221740	224380	这几个模型是我自己下载的
224380	226040	我为什么选择下载自己的模型
226040	228180	我给大家说一下原因
228180	230360	因为我自己做了很多的一些测试
230360	232160	这第二步的话
232160	233240	我们本期先不讲
233240	235420	因为这个东西是跟插件相关的
235420	237800	跟我们这一次内容不是很相关
237800	238760	所以我们这边先过
238760	240860	然后我们先看到第三步
240860	242140	就是模型下载这里
242140	243360	模型下载这里
243360	244900	首先它分的三个模型
244900	246240	刚刚给大家提过了
246240	248140	然后我建议大家去下载哪个模型
248140	249980	去下载这一个模型
249980	252440	这个mini 4B的
252440	253380	你可以看到为什么
253380	254520	因为这个模型
254520	257280	它的整体的效果是最好的
257280	258480	在这个地方你可以看到
258480	260980	它不管是它精度还是速度
260980	262060	它都是五颗星
262060	262940	是满星的
262940	265440	所以我这边是用这个模型
265440	266200	给大家去演示
266200	267560	然后我等一下会教大家
267560	268220	怎么去下载
268220	268760	对
268760	270800	然后我顺便给大家提一下
270800	272260	它这里有提到一个概念
272260	274160	就是什么web GPU
274160	276380	这个东西就是相当于是用GPU
276380	278740	去做网页端的一个渲染加速的
278740	279760	你网都是CPU
279760	281340	所以你选它的话会更好
281340	282100	速度更快
282100	282920	第二步的话
282920	284820	就下载机器发音的模型
284820	285800	那机器发音的模型
285800	286700	官方这边推荐
286700	287640	我们是用这个模型
287640	290640	就是这个叫做Translate Gemma
290640	292580	它的速度和质量整体也是最好的
292580	293940	所以我们就选它
293940	295860	然后这边下载的好了之后
295860	298060	这个模型大概是有将近3G左右
298060	298840	然后你也看到
298840	300640	它这边支持了各种各样的语言
300640	301820	语种也比较丰富
301820	302340	OK
302340	305080	然后TTS模型就是语音合成
305080	306140	这是那个波音的
306140	308920	这个的话我这边是选的是这个
308920	309740	Super Sonic
309740	311260	这个模型我们可以看到
311260	312980	它只有380多兆
312980	313780	对吧
313780	314480	它比较小
314480	316440	然后它支持的语种也很丰富
316440	318520	这样的话就是你
318520	321120	组合起来就会非常的丰富了
321120	323000	你语音识别跟语音合成
323000	324060	包括翻译
324060	326100	语种的范围就很丰富了
326100	327840	你的那种可拓展性就很强了
327840	328160	对吧
328160	328580	OK
328580	329820	那它怎么样配呢
329820	330800	来我教大家
330800	332600	首先我们来到语音识别这里
332600	333500	你默认的话
333500	334040	它是会
334040	335340	这里有一个叫做
335340	337000	浏览模型库
337000	337900	我们点击一下
337900	339680	然后这边有很多的模型
339680	340300	大家可以看到
340300	343100	这边我们就选择刚才已经下好的
343100	343860	我这边已经下好了
343860	345340	它就会显示使用中
345340	346600	你没有下载好的
346600	347560	我举个例子
347560	348920	你就点一下下载按钮
348920	350200	你点一下下载
350200	352180	它就会给你开始在本地去下载了
352180	354320	然后你就只要等了几分钟就好了
354320	356220	这里的话需要注意的
356220	358540	就是你的网络一定保持全局模式
358540	359580	网络要稳定
359580	361260	你看它就现在已经开始下载了
361260	361500	OK
361500	362960	我这边暂时不用给它下
362960	363640	我就给它插掉
363640	365300	我还是依然用我们的这个
365300	367020	mini的4B的这个模型
367020	367460	OK
367460	368320	然后呢
368320	369860	我们再接着去找
369860	371220	刚才另外几个模型
371220	372020	比如说
372020	373860	语音那个翻译的模型呢
373860	374700	这边也有啊
374700	376740	这里我们点击这个浏览模型库
376740	377620	都是一样的
377620	378980	很努力操作啊
378980	380640	这边我已经下载好了
380640	381760	这个Translator Gemma
381760	382880	刚才那个4B模型
382880	384880	那其他模型你要下载也是一样的
384880	386360	在这地方点下载按钮就好了
386360	387120	很简单
387120	389700	然后最后一个这个模型
389700	391580	就是那个语音合成的这个模型
391580	393480	同样还是在这里点浏览模型库
393480	394660	可以看到
394660	395920	这里就有很多代选的
395920	397100	你根据自己的叙述来选
397100	398760	它这边会有一些标签
398760	399280	就是什么
399280	400900	EN F AER这些
400900	403420	这边是代表你语音的模型
403420	404600	它支持哪些语种
404600	406200	我这里选择一个很多的
406200	406840	大家可以看到
406840	408220	它也下载好了
408220	409200	下载好之后
409200	410480	这三个模型都配好了
410480	410980	OK
410980	412940	我们现在要把它选中
412940	414500	就是你已经把它都选好了
414500	416860	然后这里有语音合成的一个速度
416860	418720	这个东西它默认是1.0
418720	419980	我这里给它改成了1.2
419980	422020	可能我觉得稍微速度会快一点
422020	424020	根据个人的一个需求
424020	425740	都没有一个绝对的标准
425740	427380	然后底下这几个参数
427380	428660	我要给大家稍微提一下
428660	430460	这些都是默认已经配好的
430460	432280	它都是一个比较成熟的参数
432280	433800	你不用一般不用去改的
433800	434800	像什么
434800	437020	比如说最小的静音时长
437020	439440	这一项它一般是设置为1.4秒
439440	440120	是什么意思呢
440120	441260	就是我们说话的时候
441260	443620	如果两句话间隔超过了1.4秒的话
443620	446580	那么它都会把这里切割开
446580	447660	分成两句话
447660	448220	就这意思
448220	449780	然后最小的语音时长
449780	451800	它这里默认写的是0.4秒
451800	452880	你就是说
452880	454440	如果你说话有一些那种
454440	455840	声音比较零碎
455840	457660	那个声音的片的小于0的4秒
457660	458860	它都不会给你去识别
458860	460000	这生的意思是杂音
460000	460400	对吧
460400	462120	这也是比较节省算力的一种方法
462120	462720	OK
462720	463720	这个都弄好之后
463720	465000	我们这里还有一个音频
465000	466760	这一家也是你的
466760	468400	就是你的物理的外设
468400	469360	我们要选什么呢
469360	470140	首先你的麦克风
470140	472400	你要选你的实际的物理的外设
472400	473620	你不要选其他的
473620	474880	不然它老实上连不通的
474880	476960	然后这个东西
476960	478100	其他一般就不用管
478100	480140	然后还有提供商
480140	481440	这个刚刚我们已经说过了
481440	483540	对然后就是常规这里
483540	484860	然后你要说什么
484860	485600	你要说中文
485600	487900	然后你希望对方听到什么
487900	488620	我选英文
488620	489960	那你这里的语言
489960	490500	你要注意
490500	492520	因为我刚才选的那些模型
492520	493660	它支持了很多种语种
493660	495480	所以我这里才有的这么多选
509397	512457	我们目前主要是用我挣动Planet就好了
512457	513457	如果是对方的话
513457	514357	那就是另外一种
514357	515237	挣后面的奶肉
515237	516117	我们今天不演示了
516117	516397	OK
516397	517797	我们点击开始绘画
517797	519577	这里加的好了之后
519577	520857	我们现在就可以说话了
520857	521697	然后你可以看到
521697	524477	左上角它正在识别我们讲的话
524477	526617	然后它这个是实时的
526617	527537	是牛式的
527537	528597	这个字有点小
528597	529937	我们可以点一下右上角
529937	530797	这里有一个字幕
530797	531917	把它放大一些
531917	534797	OK
534797	535857	所以你结束了
535857	537777	我们可以开始谈谈
537777	540577	你会看到它在最后的角度
540577	542137	它在认识我们的意思
542137	544137	而且因为它在实现时
544137	545397	的角度是小的
545397	547877	你可以在最后的角度
547877	550317	有一个下方的选择选择选择
550317	552777	对 整体汉塘基特的效果还可以
552777	554437	虽然说有时候可能识别的
554437	555377	个别字不再精准
555377	557037	当然这可能也是我个人
557037	558317	有时候普通话不再标读
558317	559497	所以它识别起来
559497	561297	可能会有一些点点误差
561297	562857	但是也不影响它的一个翻译
562857	564057	我目一看到和整体
564057	566217	我觉得效果还是不错的
567777	571297	Overall, it seems like it performs reasonably well.
572077	576177	Although sometimes it might not recognize individual characters with perfect accuracy,
576657	580597	Of course, that could also be due to my occasional inconsistencies in Mandarin.
581677	584677	As a result, there might be minor errors in the translation,
585157	587597	But it still provides a useful translation overall,
587937	589637	And I think the results are quite good.
591697	593877	OK,我们退出的话,我们就点下ESC,
594257	595317	然后呢,这些字幕的话,
595417	597657	我们才有一个删除的小按钮啊,
597657	598417	点一下
598417	600017	给清空
600017	601017	然后我们要结束的话
601017	603297	我们点击下方结束绘画
603297	604657	这就结束了
604657	605297	OK
605297	607417	如果你希望对方听到了
607417	609497	就刚刚给大家演示到不同的语种
609497	610057	这个一般
610057	612217	比如说你想要他听到西班牙语
612217	614217	或者是你想要他听到日本语
614217	615857	你这个地方切换你就好了
615857	617897	然后我们点击开始绘画
618697	619257	你好啊
619257	620497	可以听到我声音吗
624897	625777	你好
625777	628337	我想现在跟你分享一些事情
628337	630537	こんにちは
630537	633517	今私がお話したいことがあります
633517	634557	你可以看到
634557	637637	他这个字幕还是就是逐步的播放去的
637637	639837	这个我觉得效果是非常好的
639837	642337	就是有你讲话
642337	645177	然后你可以看到这个字幕是这样流动的
645177	664957	然后我们把它结束
664957	667617	然后我们可以再喜欢其他的这种语言
667617	668797	那这些都是类似的
668797	670417	我就不给大家一一去演示了
670417	671517	然后呢
671517	673017	这上面有一些东西
673017	674037	我再给大家讲一下
674037	675437	就是提供商
676597	677517	因为本地的
677517	679397	其实我已经试过了这几个模型
679397	680437	它都是在本地
680437	682757	就没有去走任何在线的API
682757	683757	如果有些小伙伴
683757	685517	他说我有在线的这种API的话
685517	686197	你也可以去用
686357	686957	这个都行
686957	687837	因为我觉得
687917	689317	其实本地的效果就很棒了
689477	690237	这里可以看到
690677	691397	这边怎么选
691597	692157	你可以看到
692157	693997	首先在这个地方点常规
694117	696037	然后这里有个AI服务提供商
696037	696717	我们点一下
697077	698317	这里有OpenAI
698637	699717	有一些其他的
699717	700997	比如说什么豆包
700997	701997	还有谷歌
701997	703677	Gemini等等的这些
703677	705117	你用买哪个API
705117	706757	你就给它对应的输入
706757	707917	比如我点openAI的
707917	709237	你看你点进openAI的
709237	710557	这个地方提用你的密钥
710557	711957	然后这里音频的话
711957	713277	这个保守不动
713277	714517	提供商这一块的话
714517	716397	你非在这里选择
716397	718277	就是openAI那个语音的模型
718277	720637	对应的角色的发音的角色
720637	720977	对吧
720977	721677	你自己去选
721677	722557	然后这些东西
722557	724517	你可以把它参数对应的填过去
724517	726477	它就可以调在线的API了
726477	726757	对
726757	727997	原理是一样的
727997	729357	但是我自己是觉得
729357	731257	其实我们免费的
731257	732437	我今天给大家展示的
732437	733177	主要是免费的
733177	734517	你已经够用了
734517	734937	对
734937	737617	所以整体实际下来这个效果是
737617	739177	我觉得是在我目前
739177	741057	就是看过的所有开源的这种
741057	742057	童真传映的项目里面
742057	742917	应该是最好的了
742917	744217	所以我强烈建议大家
744217	745997	尤其是很多小伙伴经常需要
745997	748737	用到外语去交流
748737	749997	但是自己可能外语水平
749997	750897	可能还没那么好
750897	751897	用这些工具
751897	753457	我觉得是对你有很大的帮助的
753457	753777	OK
753777	755697	本期的这些课程资源
755697	756377	其实比较少
756377	757677	但是我会放到评论区
757677	758677	大家直接可以去用
758677	760817	我最后还要提到一个注意点
760817	762517	就是我在实际使用步骤中
762517	764877	很多小伙伴使用的时候会报错
764877	766977	这个报错是什么原因造成的
766977	768937	我们一定要注意
768937	770757	我们用到的这三个模型
770757	773077	它支持的语语种范围是什么
773077	774377	举个例子
774377	776077	比如说我这里的语语种
776077	777317	它有一个粤语
777317	778377	这也是支持的
778377	779597	我们可以看到这有粤语
779597	782257	但是我这里说话的话
782257	783437	我说的是普通话
783437	784957	然后我语音识别
784957	786237	可能它这个模型
786237	787697	它能够识别普通话
787697	790117	但是它语音合成的模型
790117	791837	它不支持播放粤语
791837	792877	那么它就会报错
792877	793957	你的三个模型
793957	796777	大家可以看到吧
796777	797937	就是你的三个模型
797937	799237	它们支持的与种
799237	800617	一定要有共同的
800617	802917	那么这个念路才是通的
802917	804717	有一个不支持的
804717	805997	那么你这个念路就通不了
805997	807677	小伙伴可能遇到的这些
807677	808557	下部分可能是
808557	809717	这一方面的一个问题
809717	811317	还有就是你网络不好
811317	812897	你网络如果有问题的话
812897	814157	你没开全局模式的话
814157	815997	你这些模型是下载不到你本地的
815997	816877	还有一个细节就是
816877	817877	关明这里有个登录
817877	819497	这里刚才跟大家有讲过
819497	820817	你看这个登录这里
820817	822057	你可以点击去注册
822057	824537	或者是就已经有账号就登陆进去
824537	825677	那它本质上呢
825677	827777	它会用到它云端的这个Sirculture
827777	829317	它自己的翻译服务
829317	831737	那对于有些小伙伴不想去折腾
831737	832697	你可以去用它
832697	833417	那这样的话
833417	835177	也不用去本地下载模型了
835177	835657	但是呢
835657	836797	要提醒一下大家就是
836797	837597	你这样的话
837597	839457	你的数据是会经过它的服务器的
839457	840977	就是说数据的隐私性
840977	841857	找找没那么好嘛
841857	842737	根据自己的叙手来
842737	844057	如果你全都想让数据
844057	845497	不出自己的本地的电脑
845497	847357	那么你就用我刚刚给大家讲的方大
847357	848257	还有一点呢
848257	849677	也是我个人使用的一个经验
849677	851977	这个东西对大家应该很有帮助
851977	853557	同声传译这个东西
853557	854097	首先呢
854097	855737	大家要知道它最看重的是什么
855737	857637	就是一个是翻译的准确性
857637	859417	一个是它的一个实言
859417	861697	就是我们那个翻译的那个时间
861697	862517	不能太久了
862517	864217	这样的话就做不到同声了
864217	866717	那我们要想在这个项目中
866717	869457	要尽量的去把它实言占低
869457	871037	让大家的用户体验更好
871037	872197	应该怎么去做呢
872197	873997	首先刚才我跟大家是讲了
873997	875237	它里面有很多模型
875237	875577	对吧
875577	877797	大家可以看到这模型是有一大堆的
877797	880137	那么我们应该怎么去选模型的
880137	880837	大家要记住
880837	881797	你要选
881797	883077	可能要去选牛式的
883077	884077	也就是说
884077	885437	不要选非牛式的模型
885437	886597	牛式的模型一般
886597	887297	会带上一个叫
887297	888477	real time的字段
888477	891537	然后有webGPU的
891537	892757	你就进来就选它
892757	893117	对
893117	894897	这个是一个细节
894897	895517	很重要的
895517	897197	就是你选那种非牛式的
897197	897977	它推你的话
897977	899377	那整个内容就会很慢了
899377	900497	所以等于说
900497	901797	你说完半句话以后
901797	903437	别人都已经说完
903437	904017	下一句了
904017	905077	这还没翻译完
905077	906757	当然那体验就很不好
906757	907157	对吧
907157	908617	所以大家一定要记住
908617	910297	这是要近代选牛逝的模型
910297	911837	不管是语音识别
911837	912957	还是翻译
912957	914377	或者是语音合成
914377	915437	都要去选牛逝的
915437	916837	然后有GPU的话
916837	919717	就要去把webGPU也选好
919717	921977	本期视频我就跟大家分享到这了
921977	923177	大家如果觉得我的视频
923177	924057	对你有帮助的话
924057	925877	也请支持一下我的创作
925877	927277	帮我点赞 关注 转发
927277	928917	我们本期内容到此结束
928917	929857	我们下期再会