WEBVTT

00:00.000 --> 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。

00:10.560 --> 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。

00:25.160 --> 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。

00:34.000 --> 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。

00:43.720 --> 00:45.740
Buzz是桌面App,不适合后端部署。

00:46.840 --> 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。

00:55.420 --> 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。

01:00.880 --> 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。

01:07.840 --> 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。

01:13.380 --> 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。

01:19.660 --> 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。

01:26.620 --> 01:30.260
然后是两个重量级选手,Whisper X,综合评价最高。

01:30.760 --> 01:34.520
Large VR做70倍实时速度,不到8GB显存就能跑。

01:34.520 --> 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。

01:45.900 --> 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。

01:53.820 --> 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。

01:57.820 --> 02:00.180
门槛是有的,但走通了长期收益最大。

02:00.180 --> 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。

02:06.760 --> 02:10.500
短期上Whisper X最稳,长期自蒸留Distil Whisper收益最大。

02:11.000 --> 02:13.020
选项目不是选最好的,是选最合适的。