引擎
Audiotext 使用三种引擎之一进行转写，可在转写设置的引擎卡片中选择。
| WhisperX | Whisper API | Google API | |
|---|---|---|---|
| 运行位置 | 你的电脑 | OpenAI 服务器 | Google 服务器 |
| 网络 | 仅下载模型时需要 | 需要 | 需要 |
| 费用 | 免费、不限量 | 付费 | 免费额度（每月 60 分钟），或使用 API 密钥付费 |
| 检测语言 | ✓ | ✓ | ✗ |
| 翻译 | ✓ | ✓ | ✗ |
| 时间戳 | ✓ | 取决于模型 | ✗ |
| 识别说话人 | ✓（Hugging Face 令牌） | gpt-4o-transcribe-diarize |
✗ |
| 逐词时间 | ✓ | whisper-1 |
✗ |
| 实时文本 | ✓ | ✗ | ✗ |
| 低置信度的词 | ✓（逐词时间） | whisper-1（片段） |
✗ |
WhisperX
Section titled “WhisperX”WhisperX 是 OpenAI Whisper 的快速实现，在你的电脑上运行，因此音频永远不会离开你的电脑。它可以在 CPU 上运行，在支持 CUDA 的 NVIDIA GPU 或搭载 Apple 芯片的 Mac 的 GPU 上则快得多。
模型越大越准确，但速度更慢、占用内存更多。模型会在首次使用时下载。
| 模型 | 参数量 | 所需显存 |
|---|---|---|
tiny, tiny.en |
39 M | 约 1 GB |
base, base.en |
74 M | 约 1 GB |
small, small.en |
244 M | 约 2 GB |
distil-small.en |
166 M | 约 2 GB |
medium, medium.en |
769 M | 约 5 GB |
distil-medium.en |
394 M | 约 3 GB |
large-v1, large-v2, large-v3 |
1550 M | 小于 8 GB |
large-v3-turbo |
809 M | 约 6 GB |
distil-large-v2, distil-large-v3, distil-large-v3.5 |
756 M | 约 5 GB |
large-v2是默认模型，因为large-v3更容易出现幻觉和重复文本（尤其是日语等语言），并且漏掉更多标点。large-v3-turbo是large-v3的精简版，速度快得多，准确度几乎相同。- 以
.en结尾的模型（tiny.en、base.en、small.en、medium.en）和蒸馏模型（distil-small.en、distil-medium.en、distil-large-v2、distil-large-v3、distil-large-v3.5）只能转写英语。它们比同等大小的多语言模型更快。
在 Mac 上
Section titled “在 Mac 上”在搭载 Apple 芯片的 Mac 上，MLX Whisper 会在 GPU 上转写，比在 CPU 上快得多。之后 WhisperX 照常在 CPU 上对齐字词并识别说话人，因此转写仍保留逐词时间、评分和说话人。
- 模型的 MLX 版本会在首次使用时下载。
distil-small.en、distil-large-v2和distil-large-v3.5没有 MLX 版本，因此在 CPU 上运行。- 实时文本始终在 CPU 上运行。
- 由于 MLX 始终以半精度且不分批进行计算，计算类型和批处理大小在 GPU 上不适用。
- 要在 CPU 上转写，请在偏好设置 → 转写 中开启使用 CPU。
位于偏好设置 → 转写 → WhisperX。只有在遇到问题或清楚自己在做什么时才修改：GPU 显存耗尽可能会让系统卡死。
- 计算类型：模型数值的精度。
float16在 NVIDIA GPU 上更快（使用 CUDA 时的默认值）。int8占用内存更少，是 CPU 上的默认值，因为许多 CPU 无法高效支持float16。float32精度最高，适合显存超过 8 GB 的 GPU。 - 批处理大小：同时处理的音频片段数（默认
8）。它只影响速度，不影响质量。内存不足时请调低；建议最大为16。 - 使用 CPU：在 CPU 上运行 WhisperX。如果没有找到 GPU（支持 CUDA 的 NVIDIA GPU，或搭载 Apple 芯片的 Mac 的 GPU），则始终开启。
Whisper API
Section titled “Whisper API”使用 OpenAI 的语音转文字 API。它适用于无法流畅运行 WhisperX 的电脑，需要 OpenAI API 密钥（请参阅 API 密钥）。
| 模型 | 时间戳 | 说话人 | 说明 |
|---|---|---|---|
whisper-1（默认） |
✓ | ✗ | 可逐片段播放并制作字幕。可翻译成英语。为每个片段评分，以便检查低置信度的片段。 |
gpt-transcribe |
✗ | ✗ | 更准确，但没有时间戳。 |
gpt-4o-transcribe-diarize |
✓ | ✓ | 识别说话人。不使用关键词和描述。 |
翻译成英语始终由 whisper-1 完成，因为它是唯一能翻译的模型。
由于 API 拒绝大于 25 MB 的文件，长音频会被切分为最长 10 分钟的片段，并在静音处切分以免截断字词。使用 whisper-1 时，每个片段的结尾会作为下一个片段的上下文；使用 gpt-4o-transcribe-diarize 时，会随后续片段一起发送每位说话人的声音样本，以保持其标签一致。
- 响应格式（输出卡片，用于文件夹）：
text（默认）、json、verbose_json、srt或vtt。字幕和verbose_json需要能返回时间戳的模型。 - 温度（偏好设置 → 转写）：介于 0 和 1 之间。较高的值（如 0.8）会让结果更随机，较低的值（如 0.2）更集中。为 0（默认）时，模型会在需要时自动调高。
- 单词时间戳（偏好设置 → 转写）：
whisper-1是否也返回每个单词的时间戳，以便播放时高亮。耗时更长。默认开启。
Google API
Section titled “Google API”使用 Google Speech-to-Text API。它不会为句子添加标点（由 Audiotext 添加），质量也低于 Whisper，因此转写常常需要校对。它无法检测语言或翻译，返回不带时间戳的纯文本。
没有 API 密钥时使用免费额度，每月限 60 分钟。要扩展额度，请设置 Google API 密钥。Google 会对使用收费，Audiotext 对此不承担责任。