原贴链接

OA Whisper已经存在2年以上了，有没有比它更好的选择。我对Whisper最大的抱怨是：1. 准确模型的体积太大 2. 不支持多种语言混合 3. 不是实时转换

讨论总结

本次讨论主要围绕OpenAI的Whispers语音转文字工具的不足展开，重点关注其模型大小、多语言支持以及实时处理能力。评论中提到了多种替代方案，包括Google的Speech-to-Text API、Azure、GCP和AWS等云服务提供商的语音识别工具，以及一些开源工具如whisper.cpp和Kaldi ASR。讨论还涉及了数据隐私、本地运行模型的需求以及API的使用限制。总体上，评论者普遍认为Whispers在某些方面仍有改进空间，但也有一些替代方案在特定领域表现更优。

主要观点

  1. 👍 OpenAI的Whispers存在模型大小过大、不支持多语言混合、非实时等问题
    • 支持理由：用户普遍反映Whispers在这些方面存在不足。
    • 反对声音：有评论指出最新最大的Whispers模型可以在标准商业GPU上实时运行。
  2. 🔥 Gemini 1.5 Flash和Pro模型在多语言转录中比Whisper更准确
    • 正方观点：评论者普遍认为Gemini模型在非英语语言的处理上优于Whisper。
    • 反方观点：无明显反对声音，但有评论提到Gemini API在欧盟地区不可用。
  3. 💡 Google的Speech-to-Text API支持实时语音识别和多语言处理
    • 解释：评论者建议考虑使用Google的API作为替代方案，尽管在混合语言输入方面可能仍存在挑战。
  4. 🚀 Azure、GCP和AWS等云服务提供商的语音识别工具更为先进
    • 解释：评论者提到这些工具支持实时转录，是对现有技术的一种补充和提升。
  5. 🌟 whisper.cpp项目提供了一个可能的实时处理解决方案
    • 解释：评论中提到了这个项目，尤其在快速GPU上表现出色。

金句与有趣评论

  1. “😂 Haven’t found any better yet unfortunately.”
    • 亮点：反映了用户对当前语音转文字工具的不满。
  2. “🤔 I mean mix multiple languages together. It sometimes works in largest model. Sometimes not.”
    • 亮点：指出了Whispers在多语言混合输入方面的不足。
  3. “👀 That’s difficult yeah if it’s mixed like that, which is relatively common in some parts of the SEA region, for example.”
    • 亮点：强调了多语言混合输入在某些地区的普遍性。

情感分析

讨论的总体情感倾向较为中性偏负面，主要是因为用户普遍认为Whispers在某些关键功能上存在不足。主要分歧点在于是否存在比Whispers更好的替代方案，以及这些替代方案的实际表现和可用性。可能的原因包括技术限制、市场需求和用户期望的差异。

趋势与预测

  • 新兴话题：实时处理和多语言混合输入的技术解决方案可能会成为后续讨论的热点。
  • 潜在影响：随着技术的进步，未来可能会出现更多支持实时处理和多语言混合输入的语音转文字工具，从而改变市场格局和用户习惯。

详细内容：

标题：关于超越 OpenAI Whisper 的语音转文本工具的热门讨论

在 Reddit 上，有一个题为“Is there any voice to text better than openai whispers?”的帖子引发了广泛关注，获得了众多点赞和大量评论。帖子主要抱怨了 OpenAI Whisper 的三个问题：准确模型尺寸过大、不支持多种语言混合、不是实时的。

讨论的焦点主要集中在寻找比 OpenAI Whisper 更出色的语音转文本工具上。有人表示目前还未找到更好的选择。但也有人提到，像 Gladia 在按顺序混合多种语言的转录方面表现还不错。还有用户指出，对于封闭源模型，Gemini 1.5 Flash 和 Pro 在转录方面比 Whisper 更准确，特别是在非英语语言中。

有用户分享道：“我刚测试了一下，对于我的用例，Gemini Pro 1.5 比任何 Whisper 模型都要好。我在转录口述小说时，它的格式更好，在识别对话中的说话者和纠正我的错误方面表现更出色。真的令人印象深刻！”

关于实时性，有人提到webspeech.io的语音转文本工具具有实时性和文本优化功能。但有人认为 Whisper 的实时性是移动窗口解决方案，并非真正的实时，认为像 YouTube 那种在用户发声前就出现脚本的技术才是更好的实时解决方案。

同时，也有用户提到了一些其他的工具和技术，比如 Kaldi ASR 工具包、Nvidia NeMo、SpeechBrain、ESPnet 等。还有人提到，在欧盟使用某些模型可能存在问题，需要借助免费 VPN 来解决。

讨论中也存在一些共识，比如大家都在积极寻找更优秀的语音转文本工具，以满足不同的需求和解决现有工具的不足。

总的来说，关于是否存在超越 OpenAI Whisper 的语音转文本工具，目前还没有明确的定论，大家仍在不断探索和交流中。