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。
把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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、large5个档次的模型。
Whisper使用了Python开发，安装后，在文件所在目录打开终端，运行whisperaudio.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：
whisperaudio.mp3--命令参数
--task
指定转录方式，默认使用--tasktranscribe转录模式，--tasktranslate则为翻译模式，目前只支持英文。
--model
指定使用模型，默认使用--modelsmall，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--languageChinese。
--device
指定硬件加速，默认使用auto自动选择，--devicecuda则为显卡，cpu就是CPU，mps为苹果M1芯片。
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。
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。
另一款基于Whisper的图形化软件是Buzz，相比WhipserDesktop，Buzz支持Windows、macOS、Linux。
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/whisperWindows：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。
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。
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。
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。
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。
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。
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。
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。
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。
或者，你也可以选择更专业的字幕工具，比如SubtitleEdit。
当然，使用ChatGPT翻译工具SubtitleTranslator会更加准确，不过前提是你有ChatGPT的APIKey。
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。
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。
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。
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。
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！
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。