เมื่อไม่นานมานี้ ฉันมีความจำเป็นต้องแปลงไฟล์บันทึกเสียงเป็นข้อความ หลังจากค้นหาอยู่พักหนึ่ง ก็พบว่าเครื่องมือส่วนใหญ่บนอินเทอร์เน็ตต้องเสียค่าใช้จ่าย ส่วนเครื่องมือฟรีบางตัวก็ต้องพึ่งพา API บนคลาวด์ หรือต้องใช้ GPU ที่รองรับการประมวลผล CUDA ดังนั้นฉันจึงตัดสินใจพัฒนาเครื่องมือเล็กๆ สำหรับแปลงเสียงเป็นข้อความ โดยอิงจากโมเดล Faster Whisper ซึ่งให้ผลลัพธ์ที่ยอดเยี่ยมแม้บน CPU ทั่วไป

วิธีใช้งาน
- เริ่มต้นโปรแกรม:ดับเบิลคลิกไฟล์เพื่อเปิดเครื่องมือ
- เลือกโมเดล:เลือกโมเดลที่คุณต้องการใช้ที่มุมซ้ายบน
- ตั้งค่าวิธีการอนุมานและความแม่นยำ:เลือกวิธีการอนุมานและความแม่นยำที่มุมซ้ายล่าง แนะนำให้เลือกบน CPU
int8 โหมดนี้จะเร็วกว่า
- หมายเหตุการเลือก GPU:หากคอมพิวเตอร์ของคุณไม่มี GPU ที่รองรับ CUDA อย่าเลือกตัวเลือก GPU เด็ดขาด มิฉะนั้นโปรแกรมอาจ crash ได้ เดิมทีวางแผนจะใช้ไลบรารี pytorch ตรวจสอบว่า CUDA ใช้งานได้หรือไม่ แต่จะทำให้แพ็กเกจโปรแกรมใหญ่เกินไป จึงตัดสินใจไม่ใช้วิธีนี้
- ดาวน์โหลดโมเดล:การใช้งานครั้งแรกต้องดาวน์โหลดโมเดล ความคืบหน้าการดาวน์โหลดสามารถดูได้ในคอนโซล (
console) โปรดรออย่างใจเย็น
การอัปเดตและคำถามที่พบบ่อย
- 1. ปัญหาความเข้ากันได้:
- เครื่องมือนี้ต้องรันบนระบบ Windows 10 64 บิตขึ้นไป ไม่รองรับระบบปฏิบัติการเก่าเช่น Windows 7, XP เป็นต้น
- โปรเซสเซอร์รุ่นล่างอย่าง Pentium, Celeron บางรุ่นอาจไม่สามารถทำงานได้ปกติเนื่องจากขาดชุดคำสั่งที่จำเป็น
- 2. การเลือกโมเดล:
- การใช้งาน
large โมเดล แนะนำให้ตั้งค่าความแม่นยำเป็น float32.
- สำหรับอีกสองโมเดล ใช้
int8 ความแม่นยำก็เพียงพอ
- 3. ปัญหาเครือข่าย:
- ไฟล์โมเดลมีขนาดใหญ่ โปรดตรวจสอบให้การเชื่อมต่อเครือข่ายเสถียร หากพบปัญหาดาวน์โหลดล้มเหลว แนะนำให้ลบโฟลเดอร์
models ในไดเรกทอรีเดียวกัน แล้วลองดาวน์โหลดใหม่
หากคำตอบข้างต้นไม่สามารถแก้ปัญหาของคุณได้ โปรดแสดงความคิดเห็นในส่วนคอมเมนต์ พร้อมแนบเนื้อหาเอาต์พุตในคอนโซล เพื่อให้เราช่วยคุณแก้ปัญหาได้ดียิ่งขึ้น ขอบคุณ!