转写设置

转写之前，Audiotext 会以卡片形式显示转写设置。这些设置会记住供下次使用，每个转写也会保存创建时所用的设置。

引擎

转写方式：

引擎	运行位置	费用	说明
WhisperX（默认）	你的电脑	免费、不限量	私密、可离线。选项更多：说话人、逐词时间、实时文本。在搭载 Apple 芯片的 Mac 上使用 GPU 运行。
Whisper API	OpenAI 服务器	按分钟付费	需要 OpenAI API 密钥。适合无法流畅运行 WhisperX 的电脑。
Google API	Google 服务器	免费额度或付费	质量较低，且没有时间戳。API 密钥可选。

模型取决于引擎。对于 WhisperX，模型越大越准确，但也越慢。对于 Whisper API，模型决定转写是否包含时间戳和说话人。比较请参阅引擎。

语言

• 音频语言：默认为自动检测。手动选择可避免较短或混合语言音频中的错误。Google API 无法检测语言，因此必须手动选择。
• 转写语言：默认为与音频相同。选择其他语言可在转写的同时翻译音频。

两种语言不同时，会出现翻译选项：

• 使用 Whisper 翻译（推荐）：Whisper 一步完成转写和翻译。只能翻译成英语。
• 直接用_语言_书写（实验性）：要求 Whisper 直接用该语言书写转写。对许多语言效果不错，但请检查结果。

Google API 无法翻译。之后若要用更多提供商翻译成任意语言，请使用逐字稿中的翻译按钮。

背景信息

两个可选字段，用于帮助模型：

• 关键词：音频中出现的人名、术语或缩写，用逗号分隔（例如 Audiotext, WhisperX, Henestrosa），使其拼写正确。它们只是提示：只有在音频中说到时才会写出。
• 描述：音频的内容，例如主题或场景（例如 一次关于语音识别的访谈）。

WhisperX 和 Whisper API 会使用它们，但 gpt-4o-transcribe-diarize 模型除外。Google API 不使用它们。

选项

• 逐词时间（WhisperX）：将每个字词与音频对齐，以便播放时高亮，并用于检查它最没有把握的词。会稍微多花一点时间。默认开启。字幕需要单词的时间，因此当文件夹的文件类型中选择了 .srt 或 .vtt 时，此选项会被开启并锁定；不再选择它们时，会恢复你自己的选择。
• 降低背景噪音：在转写前降低嗡嗡声和持续的背景噪音，并使轻声的语音更均匀。耗时更长。
• 识别说话人（WhisperX）：标注每一段由谁说话，例如 SPEAKER_00。如果知道有几个人说话，请在说话人数量中填写（0 表示自动检测）。需要免费的 Hugging Face 令牌；请参阅识别说话人的设置。在 Whisper API 中，由 gpt-4o-transcribe-diarize 模型识别说话人。

识别说话人的设置

识别说话人的模型 pyannote/speaker-diarization-community-1 是免费的，但需要 Hugging Face 令牌：

1. 在 Hugging Face 创建账号，并接受 pyannote/speaker-diarization-community-1 的使用条款。
2. 在你的设置中创建一个角色为 Read 的令牌。
3. 点击**设置 Hugging Face 令牌…**并粘贴。

模型会在首次使用时下载。之后识别说话人可离线完成。

实时文本

仅在麦克风来源中显示。请参阅实时文本。

文件夹与输出

仅在文件夹来源中显示：

• 监视文件夹：请参阅监视文件夹。
• 转写文件夹中已有的文件（仅在监视时）：先转写文件夹中已有且还没有转写的文件。默认关闭。
• 包含子文件夹：也转写子文件夹中的文件。
• 跳过匹配以下内容的文件：要跳过的文件的名称或路径，用逗号分隔（例如 *.wav, drafts/*）。隐藏文件总是会被跳过。
• 文件类型：使用 WhisperX 时，可选 .txt、.srt、.vtt、.json、.tsv 和 .aud 中的一种或多种。使用 Whisper API 时，为文件格式（text、json、verbose_json、srt 或 vtt）；字幕需要能返回时间戳的模型。Google API 返回纯文本（.txt）。
• 位置：文件保存在每个源文件旁边。点击更改…可保存到其他文件夹（会重建子文件夹结构），点击与来源相同的位置可恢复。

已有转写的文件会被跳过。要重新转写它们，请使用文件夹中的文件中的选项。

字幕选项（行宽、行数、高亮单词）位于偏好设置中。