WEBVTT

00:00.000 --> 00:19.320
有人把Whisper做到了89ms中位延迟,还顺手把GPU峰值内存砍掉48%。Whisper离线转写很强,但一做实时字幕,就会遇到假设飘移,重算变重,静音误触发。Whisper pipe最聪明的地方不是换模型,而是把实时转写拆成一条可控流水线。

00:20.320 --> 00:26.460
它用双缓冲把已确认文本和未确认音频分开,活动音频窗口最多30秒,历史不会越背越重。

00:26.460 --> 00:34.120
更关键的是词集时间戳,哪段文字提交了,就按最后一个词的结束时间,把旧音频精准裁掉。

00:35.380 --> 00:41.200
提交也不是拍脑袋,简单句走快速通道,模糊句走三次确认,字幕少闪,延迟也压住。

00:42.300 --> 00:49.380
结果很硬,P90延迟142ms,平均延迟下降81.1%,WE2只比离线Whisper高约2%。

00:49.380 --> 00:56.780
资源更夸张,GPU峰值内存降低48%,平均利用率降低80.9%,150分钟内存零增长。

00:57.860 --> 01:03.160
现在用它,别走失效的圆码安装,直接Pipe install Whisper Pipe,然后用Pipe Stream启动。

01:04.260 --> 01:10.040
所以Whisper Pipe最值得看的不是单个数字,而是它让实时转写像一个能长期工作的系统。

01:11.140 --> 01:14.160
关注置身工坊,继续拆语音AI和开源项目。

01:14.160 --> 01:44.140
感谢观看