视频翻译软件的核心原理是：根据视频中的说话声音识别出文字，然后将文字翻译为目标语言文字，再将翻译后的文字进行配音，最后将配音、文字嵌入视频。
可以看到第一步就是从视频中的说话声识别出文字，识别精确度直接影响到后续翻译和配音。
openai-whisper(本地) 语音识别渠道
该模式是OpenAI官方开源的whisper模型，相比faster-whisper速度较慢，但准确度略高一些。
模型选择
第一次使用某个模型时，将自动从 openai-whipser 的官方cdn下载
tiny --> base --> small --> medium --> large-v3-turbo --> large-v1 --> large-v2 --> large-v3
从前到后模型尺寸越来越大，识别精确度也越来越高，需要的内存和显存也越来越多。
建议至少选择大于等于large-v3-turbo的模型，效果最佳的模型是large-v3
该渠道最佳配置
为达到最佳语音识别效果，请参考以下设置
- 模型选择
large-v3(确保计算机内存大于16G 或 显存大于10G )，若不满足可尝试使用large-v1/large-v3-turbo模型. - 明确指定发音语言，确保和视频中语音所用语言一致
- 菜单-工具-高级选项-语音识别参数 区域：将
最短语音持续毫秒设为 1000 ，最长语音持续秒数设为大于等于 5 的值，不要选中Whisper预分割音频
此处需注意，如果你需要配音并且配音角色是
clone,即克隆原始发音音色进行配音，那么强烈建议将最短语音持续毫秒设为 3000 ，将最长语音持续秒数设为 10 ，因为 语音克隆时会自动将字幕时长对应的原始语音片段作为参考音频，而多数配音渠道均要求该参考音频时长在 3-10s 之间，否则配音很可能失败。 同时应该选中Whisper预分割音频以及合并过短字幕到相邻，以确保字幕时长能够落在 3-10s 之间
- 如果原始语音不够清晰或者有噪声，请选中 降噪
- 如果你不使用
clone角色，并且希望识别后的字幕尽可能短小，以便适配竖版视频，可适当降低最长语音持续秒数，例如设为 3 或 2. 如果有配音的话，可同时选中二次识别。
二次识别: 在选择配音并选择了嵌入单字幕时，选中二次识别意味着，将在配音完毕后再次对配音后的音频文件进行语音转录，生成较为简短的字幕嵌入视频内，确保字幕和配音精确对齐
CUDA 加速
为加快任务速度，在Windows和Linux上，如果有英伟达显卡，可配置安装CUDA和cuDNN环境后，启用CUDA加速，将能明显提高执行速度。
