WEBVTT

00:00:00.000 --> 00:00:07.100
好的,现在市面上有很多优秀的语音识别模型。我们有Whisper,有Parachute,还有Canary。

00:00:09.200 --> 00:00:14.300
如果你只需要简单的转录文本,可能会觉得这已经是解决好的问题了。

00:00:14.800 --> 00:00:23.720
但最大的挑战在于,如果你想为大语言模型或正在构建的应用获取上下文,仅靠转录文本是不够的。

00:00:24.220 --> 00:00:28.100
你通常还需要时间出来知道某句话是何时说的。

00:00:28.100 --> 00:00:33.000
但往往更重要的是,你需要知道到底是谁说的。

00:00:34.320 --> 00:00:39.620
也就是说,如果你正在为四个人互相辩论的播客制作转录文本,

00:00:39.940 --> 00:00:43.940
你需要知道谁说了什么,谁持哪方观点等。

00:00:43.940 --> 00:00:47.680
如果你想做会议纪要之类的东西,道理也是一样的。

00:00:48.140 --> 00:00:50.700
你需要知道谁同意了哪项行动,

00:00:51.280 --> 00:00:54.900
尤其是现在我们要构建智能体来处理这些事物,

00:00:54.900 --> 00:00:58.680
能够提取引语并准确归属于对应的人

00:00:58.680 --> 00:01:05.220
而不是只有一份所有人都在同一通话中逐字说出的转录文本

00:01:05.220 --> 00:01:07.360
就像只有一个人说话是那样

00:01:07.360 --> 00:01:10.000
那么一直都有办法做到这一点,对吧?

00:01:10.720 --> 00:01:12.080
在我之前的一些视频中

00:01:12.080 --> 00:01:16.560
我就展示过用Whisper配合当时的一些开源工具来做到这一点

00:01:16.560 --> 00:01:18.740
但这一直是一场猫鼠游戏

00:01:18.740 --> 00:01:20.120
看你能做到多准确

00:01:20.120 --> 00:01:23.180
而且你还得面对如何处理

00:01:23.180 --> 00:01:26.140
由不同提供商制作的多个模型等挑战

00:01:26.140 --> 00:01:30.740
这就引出了NVIDIA刚刚发布的东西

00:01:30.740 --> 00:01:33.700
这是一个专门针对该问题的新模型

00:01:33.700 --> 00:01:36.560
这就是NEMU闯三 说话人分离

00:01:36.560 --> 00:01:38.240
它是一个开放权重模型

00:01:38.240 --> 00:01:40.940
它采用的许可证允许商业使用

00:01:40.940 --> 00:01:42.220
凭借这种许可证

00:01:42.220 --> 00:01:44.480
你当然可以做大多数你想做的事

00:01:44.480 --> 00:01:45.920
这里酷的一点是

00:01:45.920 --> 00:01:47.880
它只有大约1亿参数量

00:01:47.880 --> 00:01:51.760
所以只需要4GB显存的GPU就能运行

00:01:51.760 --> 00:01:52.660
除此之外

00:01:52.660 --> 00:01:54.660
当我们谈论准确率时

00:01:54.660 --> 00:01:56.920
它可以处理多达8位说话人

00:01:56.920 --> 00:02:00.120
过去大多数模型的上限

00:02:00.120 --> 00:02:02.380
大概是3到4位说话人

00:02:02.380 --> 00:02:05.340
而它不仅能在大家清晰说话时

00:02:05.340 --> 00:02:06.780
处理8位说话人

00:02:06.780 --> 00:02:09.260
即使人们互相打断说话

00:02:09.260 --> 00:02:10.800
它也能做得相当不错

00:02:10.800 --> 00:02:11.700
此外

00:02:11.700 --> 00:02:14.120
它的设计初衷是与你正在使用的

00:02:14.120 --> 00:02:16.520
任何语音识别模型配合使用

00:02:16.520 --> 00:02:22.040
所以如果你有一个特别喜欢的模型,比如PireKit,你就可以基本上使用这个模型。

00:02:22.340 --> 00:02:27.280
稍后我会展示一个演示,我们将原始播客录音转换为转录文本。

00:02:27.440 --> 00:02:30.340
每一行都归属于对应的说话人。

00:02:30.520 --> 00:02:33.840
但首先,让我介绍一下这个模型的背景。

00:02:34.260 --> 00:02:38.360
VDII将其作为Nemotron语音模型系列的一部分推出。

00:02:38.820 --> 00:02:42.360
在这个频道上,我谈过Nemotron大语言模型的,

00:02:42.360 --> 00:02:44.860
但我认为很多人没有意识到

00:02:44.860 --> 00:02:47.840
这一系列还包含很多语音模型

00:02:47.840 --> 00:02:49.080
在识别方面

00:02:49.080 --> 00:02:52.300
你有PowerKit、Canary和Nemotron ASR

00:02:52.300 --> 00:02:59.060
它们共同支持43种语言的流逝和批量转路

00:02:59.060 --> 00:03:02.220
它们还有一个叫Magpie的TTS模型

00:03:02.220 --> 00:03:05.420
支持多语言并具备语音定制等功能

00:03:05.420 --> 00:03:07.660
此外,它们还有一些进行翻译

00:03:07.660 --> 00:03:10.380
甚至全双公语音到语音处理的模型

00:03:10.380 --> 00:03:12.480
比如PersonaPlex

00:03:12.480 --> 00:03:13.560
直到最近

00:03:13.560 --> 00:03:15.500
他们的说话人分离选项

00:03:15.500 --> 00:03:16.980
叫做Sortformer

00:03:16.980 --> 00:03:18.920
最多支持四位说话人

00:03:18.920 --> 00:03:19.780
有一段时间

00:03:19.780 --> 00:03:21.860
他实际上相当受欢迎

00:03:21.860 --> 00:03:23.300
在很多方面

00:03:23.300 --> 00:03:24.880
你可以把这个新模型

00:03:24.880 --> 00:03:26.880
看作是对他的直接替换

00:03:26.880 --> 00:03:27.800
而且好得多

00:03:27.800 --> 00:03:28.560
我们知道

00:03:28.560 --> 00:03:30.100
人们已在生产环境中

00:03:30.100 --> 00:03:31.180
使用这些模型

00:03:31.180 --> 00:03:33.100
因为旧版Sortformer模型

00:03:33.100 --> 00:03:34.580
仅在8月就获得了

00:03:34.580 --> 00:03:36.060
超过30万次下载

00:03:36.060 --> 00:03:38.500
虽然NVIDIA没有直接说明

00:03:38.500 --> 00:03:39.620
但在我看来

00:03:39.620 --> 00:03:42.420
他们正在系统地改进这些模型

00:03:42.420 --> 00:03:46.080
以构建完整的Nemotron语音模型套件

00:03:46.080 --> 00:03:48.820
这完全说得通

00:03:48.820 --> 00:03:51.720
因为如果你看看对语音的需求

00:03:51.720 --> 00:03:56.100
无论是单用户与智能体交互

00:03:56.100 --> 00:04:01.980
智能体获取YouTube视频等多模态内容

00:04:01.980 --> 00:04:03.740
等等

00:04:03.740 --> 00:04:07.860
以便在研究和执行任务时提取信息作为上下文

00:04:07.860 --> 00:04:09.760
需求都在不断增加

00:04:09.760 --> 00:04:10.120
好的

00:04:10.120 --> 00:04:11.580
如果你是新手

00:04:11.580 --> 00:04:13.480
说话人分离到底是什么

00:04:13.480 --> 00:04:14.980
最简单的说法是

00:04:14.980 --> 00:04:17.280
语音识别告诉你说了什么

00:04:17.280 --> 00:04:20.060
而说话人分离告诉你谁说的

00:04:20.060 --> 00:04:23.220
当我们把它们结合起来

00:04:23.220 --> 00:04:26.720
就得到了所谓的带说话人信息的转录文本

00:04:26.720 --> 00:04:29.060
我认为大家凭直觉都知道

00:04:29.060 --> 00:04:30.100
这非常重要

00:04:30.100 --> 00:04:31.860
如果你在转录会议

00:04:31.860 --> 00:04:33.160
有人问了一个问题

00:04:33.160 --> 00:04:34.620
然后有些人回答是

00:04:34.620 --> 00:04:36.240
有些人回答否

00:04:36.240 --> 00:04:38.820
你大概希望你的智能体知道

00:04:38.820 --> 00:04:40.280
谁将会跟进

00:04:40.280 --> 00:04:42.040
谁不会采取行动

00:04:42.040 --> 00:04:44.200
所有这些对于智能体确定

00:04:44.200 --> 00:04:47.120
接下来应采取何种行动的上下文

00:04:47.120 --> 00:04:48.140
都至关重要

00:04:48.140 --> 00:04:50.520
那么它会自动知道每个说话人的名字吗

00:04:50.520 --> 00:04:51.340
不

00:04:51.340 --> 00:04:53.240
它基本上只会说说话人

00:04:53.240 --> 00:04:55.100
一说话人二

00:04:55.100 --> 00:04:56.280
说话人三

00:04:56.280 --> 00:04:57.820
说话人七等等

00:04:57.820 --> 00:04:59.640
随着处理过程进行

00:04:59.640 --> 00:05:01.200
但这并不难

00:05:01.200 --> 00:05:03.320
你可以写一些代码将其替换掉

00:05:03.320 --> 00:05:05.460
一旦你告诉模型谁在说话

00:05:05.460 --> 00:05:06.840
你就可以将转入文本

00:05:06.840 --> 00:05:08.000
转换为包含真实性能的版本

00:05:08.000 --> 00:05:10.400
现在这方面一直最大的挑战之一是

00:05:10.400 --> 00:05:12.260
人们会互相打断

00:05:12.260 --> 00:05:12.580
对吧

00:05:12.580 --> 00:05:14.580
即使他们并不想故意打断

00:05:14.580 --> 00:05:17.280
当有人在会议通话中提问时

00:05:17.280 --> 00:05:19.840
往往会有两三个人同时回答

00:05:19.840 --> 00:05:24.840
旧版说话人分离系统面临的挑战在于

00:05:24.840 --> 00:05:26.760
他们会因此变得混乱

00:05:26.760 --> 00:05:29.580
他们不擅长区分不同的声音

00:05:29.580 --> 00:05:31.820
尤其是在声音重叠时

00:05:31.820 --> 00:05:34.060
我想说

00:05:34.060 --> 00:05:37.820
我认为没有任何模型能在这件事上做到完美

00:05:37.820 --> 00:05:38.780
即使是人类

00:05:38.780 --> 00:05:41.460
这也可能是一项艰难的任务

00:05:41.460 --> 00:05:43.140
但这些模型的评分方式

00:05:43.140 --> 00:05:46.040
是使用所谓的说话人分离错误率

00:05:46.040 --> 00:05:47.400
即D.E.R

00:05:47.400 --> 00:05:49.980
它基本上是将三种错误相加

00:05:49.980 --> 00:05:52.000
模型遗漏的语音

00:05:52.000 --> 00:05:54.460
模型误判为非语音的内容

00:05:54.460 --> 00:05:58.180
以及将语音错误归属于他人的次数

00:05:58.180 --> 00:06:00.780
显然这里的分数越低越好

00:06:00.780 --> 00:06:03.640
你可以看到NVIDIA的最新模型

00:06:03.640 --> 00:06:05.400
不仅击败了竞争对手

00:06:05.400 --> 00:06:09.020
还大幅超越了他们自己的前代模型

00:06:09.020 --> 00:06:11.700
这里需要理解的另一个概念

00:06:11.700 --> 00:06:14.060
是流逝与离线的区别

00:06:14.060 --> 00:06:15.600
在离线模式下

00:06:15.600 --> 00:06:17.880
模型可以查看整个录音

00:06:17.880 --> 00:06:19.780
包括后面的内容

00:06:19.780 --> 00:06:21.120
而在流逝模式下

00:06:21.120 --> 00:06:23.880
它必须在音频到达时做出决定

00:06:23.880 --> 00:06:26.540
所以对于已经录制好的播客等

00:06:26.540 --> 00:06:29.020
你总是希望使用离线模式

00:06:29.020 --> 00:06:32.340
对于任何实时字幕或语音智能体

00:06:32.340 --> 00:06:34.240
你必须使用流逝模式

00:06:34.240 --> 00:06:34.820
好的

00:06:34.820 --> 00:06:37.080
那么Nemotron 3说话人分离

00:06:37.080 --> 00:06:38.280
到底有什么新特点

00:06:38.280 --> 00:06:40.220
它大约有1亿参数量

00:06:40.220 --> 00:06:41.900
不包括ASR部分

00:06:41.900 --> 00:06:43.780
运行它的最低GPU要求

00:06:43.780 --> 00:06:44.680
约为4GB

00:06:44.680 --> 00:06:45.960
所以它实际上

00:06:45.960 --> 00:06:48.360
可以在许多小型GPU上运行

00:06:48.360 --> 00:06:50.240
而且应该在笔记本电脑的

00:06:50.240 --> 00:06:51.640
RTX显卡上

00:06:51.640 --> 00:06:53.000
也能跑得相当好

00:06:53.000 --> 00:06:54.340
我之前提到过

00:06:54.340 --> 00:06:56.120
它支持多达8位说话人

00:06:56.120 --> 00:06:58.300
另一点是它是语言无关的

00:06:58.300 --> 00:07:00.080
并且在流逝和离线模式下

00:07:00.080 --> 00:07:00.740
都能工作

00:07:00.740 --> 00:07:01.740
所以我认为

00:07:01.740 --> 00:07:04.420
最好的办法是直接进入演示

00:07:04.420 --> 00:07:06.800
看看它实际上是如何运作的

00:07:06.800 --> 00:07:07.660
好的

00:07:07.660 --> 00:07:09.020
进入演示

00:07:09.020 --> 00:07:11.040
让我先展示一下设置方式

00:07:11.040 --> 00:07:11.460
首先

00:07:11.460 --> 00:07:14.600
感谢NVIDIA赞助这里的计算资源

00:07:14.600 --> 00:07:16.540
我使用DGX Spark

00:07:16.540 --> 00:07:19.580
来实际运行这里的三个语音模型

00:07:19.580 --> 00:07:22.540
让我带大家过一遍设置架构图

00:07:22.540 --> 00:07:26.600
你在这里看到的是NextGS应用

00:07:26.600 --> 00:07:28.800
它在我的Mac上本地运行

00:07:28.800 --> 00:07:34.000
然后通过Tail Scale调用后端道DGX Spark。

00:07:35.695 --> 00:07:40.995
你可以看到,我在上面有一個包含NVIDIA NEMO的Docker容器。

00:07:41.495 --> 00:07:46.095
VDI NEMO既提供我們正在討論的說話人分離模型,

00:07:46.095 --> 00:07:52.935
也提供ParaKit ASR模型和Nimetron 3.5多语言 ASR模型。

00:07:53.555 --> 00:07:57.355
为了使用这些,我设置了一个Fast API应用。

00:07:57.515 --> 00:07:59.955
这是一种实现此类功能的简单方法。

00:08:00.495 --> 00:08:05.615
如果我要大规模部署,我可能会选择Dynamo或Triton来提供服务。

00:08:05.735 --> 00:08:09.935
但对于我想要的功能,目前的设置运行得非常完美。

00:08:10.295 --> 00:08:15.095
如果我们进入这个应用,你可以看到我基本上可以直接使用它们的演示。

00:08:15.095 --> 00:08:18.615
我可以选择想要使用哪个AS2模型

00:08:18.615 --> 00:08:20.295
我打算用ParaKit

00:08:20.295 --> 00:08:22.515
因为它在处理多说话人方面

00:08:22.515 --> 00:08:23.835
通常表现更好

00:08:23.835 --> 00:08:25.015
我可以开始转录

00:08:25.015 --> 00:08:28.435
你可以看到字面上只需要三四秒钟

00:08:28.435 --> 00:08:30.495
它就处理并转录了这里

00:08:30.495 --> 00:08:32.595
一分三十多分钟的音频

00:08:32.595 --> 00:08:39.455
由于我之前在摆弄这个并设置了一些名字

00:08:39.455 --> 00:08:41.975
它实际上记住了这里这个人的名字

00:08:41.975 --> 00:08:44.795
让我们听一下

00:08:44.795 --> 00:08:48.555
看看当多个说话人同时说话时会发生什么

00:08:48.555 --> 00:08:52.535
为了庆祝Nemotron三说话人分离的发布

00:08:52.535 --> 00:08:55.895
我们邀请了另外七位开放文本转语音声音加入派对

00:08:55.895 --> 00:08:58.455
我是Chris NVIDIA的Nemotron声音

00:08:58.455 --> 00:09:00.235
大家好 谢谢邀请

00:09:00.235 --> 00:09:03.355
我是Jane来自QTI的Pocket声音

00:09:03.355 --> 00:09:05.915
很高兴见到你们Chris和Jane

00:09:05.915 --> 00:09:08.015
我是Serena Quinn三的声音

00:09:08.015 --> 00:09:09.635
我是来自Cocorro的Adam

00:09:09.635 --> 00:09:11.375
只有8200万参数量

00:09:11.375 --> 00:09:12.795
我还是入选了嘉宾名单

00:09:12.795 --> 00:09:13.695
你好你好

00:09:13.695 --> 00:09:15.835
我是来自Resemble AI的Chatterbox

00:09:15.835 --> 00:09:17.815
我带来了富有表现力的能量

00:09:17.815 --> 00:09:18.055
嗨

00:09:18.055 --> 00:09:20.435
我是来自Nari Labs的John Dyer声音

00:09:20.435 --> 00:09:22.175
我们这里已经聚集了很棒的人群

00:09:22.175 --> 00:09:22.795
大家好

00:09:22.795 --> 00:09:23.595
最近怎么样

00:09:23.595 --> 00:09:26.175
我是来自Maya Research的Maya E声音

00:09:26.175 --> 00:09:26.955
好了

00:09:26.955 --> 00:09:28.975
现在我们有八位合成开放声音

00:09:28.975 --> 00:09:29.855
做满了场子

00:09:29.855 --> 00:09:32.055
让我们来测试一下Nemotron三说话人分离

00:09:32.055 --> 00:09:32.255
好的

00:09:32.255 --> 00:09:33.875
新的说话人分离模型

00:09:33.875 --> 00:09:35.915
可以在转路时标记我们的每个声音

00:09:35.915 --> 00:09:38.055
但它能在我们所有人一起说话时

00:09:38.055 --> 00:09:38.775
做到这一点吗

00:09:38.775 --> 00:09:39.515
让我们来看看

00:09:39.515 --> 00:09:40.915
即使我们互相打断

00:09:40.915 --> 00:09:42.755
它也能叫出我们俩的名字

00:09:42.755 --> 00:09:43.775
逐针标记

00:09:43.775 --> 00:09:45.515
谁在何时说话

00:09:45.515 --> 00:09:46.475
好的

00:09:46.475 --> 00:09:48.715
正如你在这里看到的

00:09:48.715 --> 00:09:51.115
它在转录每一个声音方面

00:09:51.115 --> 00:09:51.935
做得很好

00:09:51.935 --> 00:09:53.375
如果我们往下看看

00:09:53.375 --> 00:09:55.555
可以看到每个声音都被转录了

00:09:55.555 --> 00:09:57.175
我想我的UI在这方面

00:09:57.175 --> 00:09:58.495
稍微有点滞后

00:09:58.495 --> 00:09:59.915
但你完全可以感受到

00:09:59.915 --> 00:10:01.355
它是如何组装起来的

00:10:01.355 --> 00:10:02.215
实际上

00:10:02.215 --> 00:10:03.415
如果我们放大一点

00:10:03.415 --> 00:10:04.755
来自QTI的声音

00:10:04.755 --> 00:10:05.915
很高兴见到你们

00:10:05.915 --> 00:10:07.175
Chris和Jen

00:10:07.175 --> 00:10:07.975
我是Serena

00:10:07.975 --> 00:10:09.335
Queen3的声音

00:10:09.335 --> 00:10:10.755
你可以很快看到

00:10:10.755 --> 00:10:15.055
我们基本上可以组装出一个能转录这些声音的东西

00:10:15.055 --> 00:10:17.775
如果我们想在这里输入他们的名字

00:10:17.775 --> 00:10:20.815
它会便利并为我们重命名所有人

00:10:20.815 --> 00:10:25.495
现在如果我们想看看实际模型返回的是什么

00:10:25.495 --> 00:10:28.915
你可以看到这里是模型返回的原始Jason

00:10:28.915 --> 00:10:32.655
我们可以看到这里实际使用的是什么

00:10:32.655 --> 00:10:35.475
我们可以看到不同的说话人被标记等

00:10:35.475 --> 00:10:40.515
然后这个软件基本上将speaker三重写为Adam等

00:10:40.515 --> 00:10:41.855
便利这个过程

00:10:41.855 --> 00:10:43.835
做这样的事情

00:10:43.835 --> 00:10:44.955
很酷的一点是

00:10:44.955 --> 00:10:46.015
我们可以很快

00:10:46.015 --> 00:10:47.055
获得统计数据

00:10:47.055 --> 00:10:48.875
比如每个人

00:10:48.875 --> 00:10:50.095
在那里说了多久

00:10:50.095 --> 00:10:52.335
说了多少次

00:10:52.335 --> 00:10:53.715
有多少次发言

00:10:53.715 --> 00:10:55.675
如果我们想在这里

00:10:55.675 --> 00:10:57.135
放入更长的内容

00:10:57.135 --> 00:10:58.315
这会非常有用

00:10:58.315 --> 00:10:58.795
好的

00:10:58.795 --> 00:11:00.115
这里酷的是

00:11:00.115 --> 00:11:01.875
我们可以处理长文件

00:11:01.875 --> 00:11:03.335
所以我基本上

00:11:03.335 --> 00:11:03.935
放入了

00:11:03.935 --> 00:11:05.035
All in 播客的

00:11:05.035 --> 00:11:06.195
一集完整节目

00:11:06.195 --> 00:11:07.455
他们采访了黄仁勋

00:11:07.455 --> 00:11:08.355
你可以看到

00:11:08.355 --> 00:11:09.815
他基本上已经处理完了

00:11:09.815 --> 00:11:12.115
我们得到了输出

00:11:12.115 --> 00:11:14.435
我命名了这里的实际说话人

00:11:14.435 --> 00:11:15.795
所以我们可以看到

00:11:15.795 --> 00:11:17.555
说话人依次出现

00:11:17.555 --> 00:11:19.095
现在我们有了每个人

00:11:19.095 --> 00:11:21.075
说了什么的完整转录文本

00:11:21.075 --> 00:11:23.935
这里酷的是我们可以查看统计数据

00:11:23.935 --> 00:11:26.315
我们可以看到他们各自的说话时长

00:11:26.315 --> 00:11:28.415
我们可以看到

00:11:28.415 --> 00:11:29.415
果然

00:11:29.415 --> 00:11:30.035
显然

00:11:30.035 --> 00:11:31.615
黄仁勋是这里的嘉宾

00:11:31.615 --> 00:11:33.615
所以他是说话最多的

00:11:33.615 --> 00:11:36.395
而这一切都在148秒内完成

00:11:36.395 --> 00:11:39.855
所以对于这个超过一小时的长文件

00:11:39.855 --> 00:11:41.815
这大约花了两分半钟

00:11:41.815 --> 00:11:44.415
这让我们基本上可以便利

00:11:44.415 --> 00:11:45.615
你可以看到

00:11:45.615 --> 00:11:48.555
现在我们基本上可以直接阅读转录文本

00:11:48.555 --> 00:11:51.035
我可以将其导出为文本文件

00:11:51.035 --> 00:11:52.915
或者在这里导出为srt

00:11:52.915 --> 00:11:54.135
这里酷的是

00:11:54.135 --> 00:11:56.595
如果我确实想做多语言

00:11:56.595 --> 00:11:58.075
或其他类似的事情

00:11:58.075 --> 00:11:59.695
我可以切换模型

00:11:59.695 --> 00:12:01.015
使用这个模型

00:12:01.015 --> 00:12:03.335
而不是这里的paraket模型

00:12:03.335 --> 00:12:04.355
你可以看到

00:12:04.355 --> 00:12:05.535
用这个模型

00:12:05.535 --> 00:12:07.775
我们支持很多不同的语言

00:12:07.775 --> 00:12:10.115
如果你记得我做过关于这个的视频

00:12:10.115 --> 00:12:12.455
你实际上可以微调这个模型

00:12:12.455 --> 00:12:15.535
使其在其他语言上表现非常好

00:12:15.535 --> 00:12:17.735
他们在这里称之为适配就绪

00:12:17.735 --> 00:12:20.695
现在我还没有真正设置这个应用去做

00:12:20.695 --> 00:12:22.555
但模型能做的另一件事

00:12:22.555 --> 00:12:24.595
是你也可以进行流逝响应

00:12:24.595 --> 00:12:24.955
当然

00:12:24.955 --> 00:12:27.555
那样你的准确率可能会下降一点

00:12:27.555 --> 00:12:31.255
但你在那里仍然应该能获得相当好的结果

00:12:31.255 --> 00:12:32.235
所以

00:12:32.235 --> 00:12:34.735
如果你有兴趣做任何语音转录

00:12:34.735 --> 00:12:37.535
并且希望其中包含说话人分离等

00:12:37.535 --> 00:12:39.675
这是一个很好的设置方法

00:12:39.675 --> 00:12:42.155
你可以批量完成所有转路等

00:12:42.155 --> 00:12:43.055
最重要的是

00:12:43.055 --> 00:12:45.335
能够完全在本地完成所有这一切

00:12:45.335 --> 00:12:46.115
所以

00:12:46.115 --> 00:12:47.995
如果你对这方面有任何问题

00:12:47.995 --> 00:12:49.355
请在评论区告诉我

00:12:49.355 --> 00:12:50.935
我认为看到NVIDIA

00:12:50.935 --> 00:12:52.995
接下来在这些语音模型上

00:12:52.995 --> 00:12:54.555
会做什么将会非常酷

00:12:54.555 --> 00:12:55.855
就像我说的

00:12:55.855 --> 00:12:57.095
从我看到的来看

00:12:57.095 --> 00:12:58.015
它们不断迭代

00:12:58.015 --> 00:12:59.115
以改进这些模型

00:12:59.115 --> 00:13:00.695
并为不同的用力

00:13:00.695 --> 00:13:02.815
提供不同类型的模型

00:13:02.815 --> 00:13:03.475
总之

00:13:03.475 --> 00:13:04.515
一如既往

00:13:04.515 --> 00:13:05.975
如果你觉得视频有用

00:13:05.975 --> 00:13:07.335
请点赞并订阅

00:13:07.335 --> 00:13:08.535
我们下个视频见

00:13:08.535 --> 00:13:09.195
再见