WhisperDesktop 中文汉化版 本地AI大模型 音频转文本工具 v1.12

软件简介

WhisperDesktop 中文汉化版 ，能够在本地电脑上将音频转换为文字。支持中文内容的转换。基于DirectCompute技术开发的AI大模型工具，运行时无需网络，不依赖除基本操作系统组件之外的任何运行时环境。处理速度远超OpenAI的实现，且内存占用低，支持多种音频和视频格式（Ogg Vorbis除外）。类似的 音视频转文字字幕工具

WhisperDesktop中文版汉化AI大模型本地音视频转文本工具 使用方法如下：

1. 下载WhisperDesktop.zip和ggml语音模型文件。
2. 解压WhisperDesktop.zip。
3. 运行WhisperDesktop.exe，并选择要加载的语音模型。

软件支持从麦克风捕获并实时转录或翻译音频。WhisperDesktop能够实现视频和音频转文本的功能。

操作步骤：

1. 打开软件，指定模型保存的电脑地址。
2. 选择视频或音频的语言种类。
3. 选择需要转换的视频或音频文件。
4. 选择输出格式，如需制作视频字幕，可选subrip或webvtt格式。
5. 点击转录按钮开始转换。

以一个6分41秒的视频为例，软件耗时9分41秒完成转换，英文翻译效果出色。

功能特色

• 基于 DirectCompute 的与供应商无关的 GPGPU;该技术的另一个名称是“Direct3D 11 中的计算着色器”
• 普通 C++ 实现，除基本 OS 组件外，无运行时依赖性
• 比 OpenAI 的实现快得多。
  在我配备 GeForce 1080Ti GPU 的台式计算机上， 中型模型，3 分 24 秒的语音使用 PyTorch 和 CUDA 转录需要 45 秒，但使用我的实现和 DirectCompute 只需要 19 秒。
  有趣的事实：这是 9.63 GB 的运行时依赖项，而不是 431 KBWhisper.dll
• 混合 F16 / F32 精度：Windows 需要从 D3D 版本 10.0 开始支持缓冲区R16_FLOAT
• 内置性能分析器，可测量单个计算着色器的执行时间
• 内存使用率低
• 用于音频处理的 Media Foundation，支持大多数音频和视频格式（Ogg Vorbis 除外）， 以及大多数可在 Windows 上运行的音频捕获设备（除了一些仅实现 ASIO API 的专业设备）。
• 用于音频捕获的语音活动检测。
  该实现基于 Mohammad Moattar 和 Mahdi Homayoonpoor 在 2009 年发表的文章“A simple but efficient real-time voice activity detection algorithm”。
• 易于使用的 COM 风格 API。nuget 上提供的惯用 C# 包装器。
  1.10 版本引入了对 PowerShell 5.1 的脚本支持，这是 Windows 上预装的较旧的“Windows PowerShell”版本。
• 提供预构建的二进制文件

GitHub开源项目地址  https://github.com/xiaoxinpro/WhisperZH

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

下载地址