1
00:00:00,000 --> 00:00:09,540
你敢信吗?Github上跟Whisper相关的开源项目光星星过千的就有十几个,每个都说自己更快更强,但我全跑了一遍,真正能打的没几个。

2
00:00:10,560 --> 00:00:25,160
先说一个前提,我选Whisper的核心原因只有一个,多语言之耻。中文、英文、日文、韩文都得能识别。如果只做中文,我根本不会选Whisper,翻译S2它不香吗?但多语言这个需求目前只有Whisper能扛。

3
00:00:25,160 --> 00:00:33,760
先说几个不适合实时场景的。Whisper Finiton用LORAV条,训练成本低,还做了三端部署,工程完整度很高。

4
00:00:34,000 --> 00:00:43,040
但它是离线识别,先录完再转,流续识别用不了。Whisper GX速度快70倍,但峰值性能依赖TPU,普通GPU上优势没那么多。

5
00:00:43,720 --> 00:00:45,740
Buzz是桌面App,不适合后端部署。

6
00:00:46,840 --> 00:00:55,000
再说几个功能聚焦,但场景窄的。Faster Whisper用C-Translate 2加速,速度是原版4倍,内存更低,支持8位量化。

7
00:00:55,420 --> 00:01:00,500
行业里用得非常广,但它只是推理引擎,不提供流适输出,你得自己组合其他工具。

8
00:01:00,880 --> 00:01:06,700
YT Whisper只做YouTube字幕,场景太窄。Whisper Transparent只做时间戳,没有加速和部署。

9
00:01:07,840 --> 00:01:12,920
实时转录那一批呢?Whisper Mic场景最贴合,麦克风输入实时转录,但只支持英文。

10
00:01:13,380 --> 00:01:19,660
Whisper Real Time和Whisper Live思路类似,都是边录边识别,但都没有加速优化,中文延迟偏高。

11
00:01:19,660 --> 00:01:25,760
Whisper Realization倒是厉害,能识别谁在什么时候说了什么,但串了四五个模型,太重了。

12
00:01:26,620 --> 00:01:30,260
然后是两个重量级选手,Whisper X,综合评价最高。

13
00:01:30,760 --> 00:01:34,520
Large VR做70倍实时速度,不到8GB显存就能跑。

14
00:01:34,520 --> 00:01:44,920
关键是支持单词及时间戳,每个字精确对应到音频时间位置,做流逝展示和字幕对齐,这个能力太重要了,短期方案它是最稳的。

15
00:01:45,900 --> 00:01:53,380
另一个是Distil Whisper,把Large VR蒸留成小模型,速度快六倍,体积小一半,错误率只涨不到1%,性价比太炸了。

16
00:01:53,820 --> 00:01:57,400
但知名问题是,只发布了英文模型,其他语言得自己蒸留。

17
00:01:57,820 --> 00:02:00,180
门槛是有的,但走通了长期收益最大。

18
00:02:00,180 --> 00:02:06,200
所以方向很清晰,多语言需求选Whisper没毛病,但具体用哪个项目得看你的场景。

19
00:02:06,760 --> 00:02:10,500
短期上Whisper X最稳,长期自蒸留Distil Whisper收益最大。

20
00:02:11,000 --> 00:02:13,020
选项目不是选最好的,是选最合适的。