Skip to content

模型共14个,可分为3类,都是用于将视频中的人类说话声识别为字幕文字。

为减小下载体积,软件默认只内置最小尺寸的tiny模型,这个模型识别精度最低,如需更好效果,请下载其他更大的模型。

openai 和 faster 模式均可使用的模型

tiny :   最小模型,速度最快消耗资源最少,精确度也最低

tiny.en  :仅限用于英语发音的视频

base :

base.en :仅限用于英语发音的视频

small ,

small.en :仅限用于英语发音的视频

medium

medium.en : 仅限用于英语发音的视频

large-v1

large-v2

large-v3 : 最大模型,精度最高,需要8G或12G以上可用显存

仅限 faster 模式下使用的模型

distil-whisper-small.en :仅限用于英文视频

distil-whisper-medium.en :仅限用于英文视频

distil-whisper-large-v2 : 需要8G以上显存,目前用于英文视频效果较好,其他语言很差

第一类是带后缀 .en 的模型

例如 tiny.en 、  base.en 、 medium.en 等,顾名思义,这类模型只用于原始语言是英语的视频处理,也就是说如果你待处理的视频中说话语言是英语,那么选择后缀为 .en 的模型,效果将比不带 .en 的同等模型更好。

第二类是不带 .en的模型

可用于所有支持的语言,比如  tiny  large-v1 等

第三类是 distil 开头的模型

这类模型目前只有三个,并且都只能处理原始语言是英语的视频,即便不带.en后缀,也建议只用于处理英语发音的视频,处理其他语言的视频效果会非常差。

这类的模型特点是速度更快。注意distil模型只能在faster模式下使用,不可在openai模式下使用。

distil-whisper-small.en

distil-whisper-medium.en

distil-whisper-large-v2

faster 模型下载

所有模型都从 https://github.com/jianchang512/stt/releases/tag/0.0  这个地址下载

打开后,根据想使用的模式选择,建议选择 faster 模型,速度更快。

faster模型下载后,压缩包里是文件夹,将里面的文件夹复制到软件目录下 models 文件夹中。

例如 medium 模型下载后,打开压缩包会看到文件夹

将这个文件夹复制到 models 目录下

如上图。

openai模型下载

同样是这个地址  https://github.com/jianchang512/stt/releases/tag/0.0

向下拉,下载后得到的是一个 .pt 后缀的文件,将该文件直接复制到 models 目录下即可