在第一个屏幕上，它会要求您下载模型。本站提供ggml-large.bin(大小为2.88Gb）
我推荐ggml-medium.bin（大小为 1.42GB），因为我主要使用该型号测试了该软件。
下一个屏幕允许转录音频文件。
还有另一个屏幕，允许捕获和转录或翻译来自麦克风的实时音频。
特征
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”
纯 C++ 实现，除了必要的操作系统组件之外没有运行时依赖项
比 OpenAI 的实现快得多。在我配备 GeForce 1080Ti GPU 的台式计算机上，中等型号，使用 PyTorch 和 CUDA 转录3 分 24 秒的演讲 需要 45 秒，但使用我的实现和 DirectCompute 只需要 19 秒。 Funfact：运行时依赖项为 9.63 GB，而运行时依赖项为 431 KB
Whisper.dll
混合 F16 / F32 精度： 自 D3D 版本 10.0 起Windows需要支持 缓冲区R16_FLOAT
内置性能分析器，可测量各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）以及大多数在 Windows 上工作的音频捕获设备（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 于2009 年发表的文章 “一种简单但高效的实时语音活动检测算法”。
易于使用的 COM 风格 API。nuget 上提供了惯用的 C# 包装器。
版本 1.10引入了 对 PowerShell 5.1 的脚本支持，这是 Windows 上预安装的较旧的“Windows PowerShell”版本。
可用预构建的二进制文件
唯一受支持的平台是 64 位 Windows。
应该在 Windows 8.1 或更高版本上工作，但我只在 Windows 10 上进行了测试。
该库需要支持 Direct3D 11.0 的 GPU，这在 2023 年只是意味着“任何硬件 GPU”。不支持 D3D 11.0 的最新 GPU 是 2011 年的 Intel Sandy Bridge。
在CPU方面，该库需要AVX1和F16C支持。
评论