5 分钟,看完没有人比你更懂“语音识别”

奶酪对“语音识别”的研究,

最早是想把自己喜欢的视频文案保存起来,因为视频不仅占用空间大,还没办法全文索引。

将视频的内容“文本化”,我们就能提炼出视频的关键信息,而且还能获得视频细小处的一些遣词用字

20GB 的视频,压缩为 2MB 的文本。

这在以前是断不敢想像的事情,然而现在有了人工智能的加持,这一切都变得触手可及。

 

一、在线转录


国内最早免费开放在线语音转文字的应用,是网易见外

它不但是速度快,准确率还超出了人们预期,真正做到了一键转录,被盛赞业界良心,然后没多久,它就下架了。

而现在接棒的是——飞书妙记

1.1、飞书妙记

飞书妙记是抖音旗下产品,注册登陆后就直接上传音频和视频,即使不需要介绍,你也一看就知道怎么用。

地址:https://www.feishu.cn/product/minutes

A24_飞书

1.2、使用体验

速度:快,10 分钟视频只花费了 1分 25 秒

准确率:绝大部分内容都能正确识别,而且能区分不同说话人。

特色功能:支持中英日 3 种语言,能自动添加标点符号和章节分段,支持免费导出为 TXT 和 SRT 格式。

A24_飞书2

1.3、同类产品

如果要说有什么缺点的话,那就飞书妙记的免费用存储空间,从原来的 100G 变成 2G,一下子就寒酸了许多。

但和同类产品相比,飞书妙记仍然是更好的选择。

比如讯飞听见、钉钉闪记、阿里云、百度云等产品,它们要么免费额度少,要么需要申请 API,使用门槛高。

而飞书妙记,你可以将视频转换为音频来缩小体积,又或者通过删除已经转写的内容来释放空间。

换句话说,你还是可以无限白票

 

二、软件转录


如果你需要转录的内容很多,又或者很长,那么,使用桌面软件来操作会更加方便。

而在这个领域的佼佼者是 —— 剪映

2.1、剪映

剪映也是是抖音旗下产品,它是一款桌面视频剪辑软件,但同时提供了识别语音功能,使用时需要联网使用

使用方法也很简单,点击导航栏“文本”,然后选择“智能字幕”,即可一键生成字幕。

地址:https://www.capcut.cn

A24_剪映

2.2、使用体验

同样是抖音系产品,剪映的准确率也很高,转录速度更是极奇的快,同样 10 分钟的视频,剪映只用 32 秒

而且,我们不用像“飞书妙记”那样担心空间不够用。

因为抖音不担心自己的语音识别技术被白票,它们担心的,是没有人上传视频到抖音。

抖音推出剪映的目的,是为了降低用户制作视频门槛,让更多的人参与到视频制作来,抖音的收益在别处罢了。

A24_剪映2

2.3、同类产品

目前国内能与剪映对标的,当属 B 站推出的“必剪”。

它的产品逻辑一样,也是为了方便用户创作视频,然后上传到 B 站

然而在免费额度上,必剪远不如剪映,必剪只支持 15 分钟的音频转录,而剪映最大支持 2 小时且不限使用次数

而且,剪映现在还支持导出字幕,你可以将导出的字幕用在其它软件上,抖音格局大了

应该说,剪映是视频创作者的必备。

 

三、离线转录


上面的两款应用都需要联网使用,如果你比较在意隐私的问题,那么你需要一款离线的语音识别工具

OpeanAI 推出的 Whipser 语音识别模型,绝对是目前最好的选择,没有之一

对,它和 ChatGPT 是同门师兄弟。

3.1、Whisper

Whipser 多语言语音识别模型,通过了 68 万小时的语音数据训练,支持 99 种语言,对英文的表现更是强无敌。

更重要的是,它开源免费,在电脑上就能离线使用。

地址:https://github.com/openai/whisper

A24_Whisper

在速度方面。

为应对不同的语音转录需求,Whipser 推出了 tiny、base、small、medium、large 5 个档次的模型。

转录效果依次增加,但相应花费的时间也会增加。

A24_Whisper3

3.2、使用方法

Whisper 使用了 Python 开发,安装后,在文件所在目录打开终端,运行 whisper audio.mp3 即可进行转录。

想要自定义设置的话,则可以在后面追加命令参数,具体包括:

whisper audio.mp3 --命令参数

A24_Whisper2

--task

指定转录方式,默认使用 --task transcribe 转录模式,--task translate 则为翻译模式,目前只支持英文

--model

指定使用模型,默认使用 --model small,Whisper 还有英文专用模型,就是在名称后加上 .en,这样速度更快。

--language

指定转录语言,默认会截取 30 秒来判断语种,但最好指定为某种语言,比如指定中文是 --language Chinese。

--device

指定硬件加速,默认使用 auto 自动选择,--device cuda 则为显卡,cpu 就是 CPU, mps 为苹果 M1 芯片。

3.3、WhisperDesktop

如果使用 Python 命令行这种形式,门槛太高了,那么图形化软件 WhisperDesktop 会是一个简单的方案。

地址:https://github.com/Const-me/Whisper

A24_WhisperDesktop

使用方法分为两步:下载软件 + 载入模型

下载 WhisperDesktop 后,点击运行,然后加载模型文件,最后选择文件即可进行转录。

由于支持 GPU 硬解,转录速度非常的快,我测试了一个 2 分钟的视频,使用 medium 模型,花费不到 20 秒

PS:具体还得看显卡的性能。

3.4、Buzz

另一款基于 Whisper 的图形化软件是 Buzz,相比 WhipserDesktop,Buzz 支持 Windows、macOS、Linux。

官方地址:https://github.com/chidiwilliams/buzz

A24_Buzz

使用方法也是:安装软件 + 下载模型

Buzz 的安装包体积稍大,同时 Buzz 使用的是 .pt 后缀名的模型文件,运行后软件会自动下载模型文件

但最好是提前下好模型文件,然后放在指定的位置。

Mac:~/.cache/whisper
Windows:C:\Users\<你的用户名>\.cache\whisper

但 Buzz 使用的是 CPU 软解 ,目前还不支持 GPU 硬解

同样一个 2 分钟的视频,使用 medium 模型,耗时花费了 2 分 30 秒,比例大概 1:1.2花费时间还是挺长的

 

四、语音识别对比


下面我们对飞书妙记、剪映、Whisper 这三款语音识别工具进行一下对比。

4.1、准确性对比

就准确性而言。

三款产品里,飞书和剪映在中文识别上的效果更好,大体与 Whipser 的 large 模型相当。

飞书妙记甚至还有标点符号、文章分段、智能纠错等功能,在测试中,飞书也是唯一个能正确转录“谷爱凌”的。

原因是联网转录,“云词库”会自动选择更符合上下文的同音词

A24_Whisper_测评

Whisper 的音频数据只有 1/3 来自非英语,在准确性方面,Whisper 对英文的识别错误率为 4.2,中文则为 14.7

如果转录的内容是英文,那么用 samll 模型就能保证绝大多数正确。

而如果转录的内容是中文,那么至少要用 medium 模型,才能保证绝大多数正确。

Whisper 强在多语言支持,还有超高的英语识别率。

A24_Whisper_错误率

4.2、速度对比

在转录速度方面。

飞书妙记和剪映都需要联网上传,其中剪映的速度最快,而 Whisper 的转录速度,极度依赖显卡的加持

下面是使用显卡加速,同一段 10 分钟视频的速度对比。

A24_Whisper_测评2

 

 

五、语音识别技巧


而无论怎样,任何一款语音识别工具都没办法保证 100% 准确,我们还需要有一定的技巧。

5.1、纯净输入

如果转录的是歌曲,又或者有嘈音,背景音乐很大,使用人声分离工具,突出人声,那么识别效果将大大提高。

这样的工具很多,可以选择在线应用,也可以选择免费开源的 UVR5

在线应用:https://vocalremover.org

UVR5:https://ultimatevocalremover.com

A24_UVR5

5.2、字幕翻译

Whisper 有时转录出来的文本是繁体中文,又或者你想把字幕翻译为英语来做双语字幕。

一个简单的方法,就是将字幕文件在 Chrome 浏览器中打开,使用自带的翻译功能,即可一键翻译为想要的语言。

A24_字幕翻译

或者,你也可以选择更专业的字幕工具,比如 Subtitle Edit

地址:https://github.com/SubtitleEdit/subtitleedit

当然,使用 ChatGPT 翻译工具 Subtitle Translator 会更加准确, 不过前提是你有 ChatGPT 的 API Key

地址:https://github.com/gnehs/subtitle-translator-electron

5.3、标点符号

除了飞书外,其它转录工具都没有标点符号,而且也没有章节分段,如果你想把语音识别后的文本,保存为文章

一个简单的方法,是利用 ChatGPT 来重新排版,只需要前置输入“提示词”就可以了。

具体是:“修复下面这段文章的标点符号并分成段落:<文本内容>”。

A24_标点符号

需要注意的是,GPT-3.5 输出的最大限制是 777 个字符,所以每一次输入最好不要超过 777 个中文。

但如果你用的是 GPT-4 的话,就没有这个限制。

A24_标点符号

5.4、一键转录

如果我有大量的视频转文字,还有视频字幕生成需求,有没有办法一键转录?

有的!

奶酪研究出了一套方法,只需要一个 .bat 文件即可一键转录,具体我会在下期《A25 - 语音一键识别》中介绍。

5.5、实时转录

除了转录视频,有没有办法实时转录直播或者播放中的视频?

当然也有!

我们同样可以利用 Whisper 来实现同声传译,具体我们在下下期《A28 - 同声传译》中再做介绍。

 

结尾


OpenAI 发布的 Whisper 多语言语音识别模型,绝对算得上是一个“游戏改变者”。

在可预见的未来。

首先,语音识别将会彻底免费,并成为一项公共服务。

其次,视频的语言屏障将会彻底打破,视频一键生成字幕,甚至自动生成字幕,已经成为现实。

还有,视频也将转向文字化,一个 20GB 的视频内容,可以被压缩为 2MB 的文本内容,并且能全文索引

最后,Whisper 的入场,也会加速人工智能从单模态到多模态的发展。

动动嘴皮就能拍出一部电影的魔幻场景,也正在发生!

强人工智能时代的我们,太幸福啦!

 

专栏介绍


本专栏「人工智能指南」致力于提高“人工智能领域”的姿势水平。

特点是:“原创新鲜、系统连贯、给渔授渔”。

力求一篇文章,讲清楚一个主题,争取每篇文章都是该主题下的 Top3,甚至 Top1。

看完记得:

点赞,点赞是免费的,但却能激励我保持创作,还能帮助更多的人看到这篇文章。

留言,有任何问题,都可以在评论区留言,我会尽可能回复。

关注,关注我,这样可以第一时间获取更新。

以上。