AI语音识别系统，字幕翻译生成生成一条龙服务-WIN整合包+模型下载

• 将音频或视频文件转录为srt/txt/smi/vtt/lrc文件
• 将在线OpenAI-whisper模型转换为ct2格式
• 提供VAD模型和whisper模型的所有参数
• 现在，它支持whisperX
• 支持Demucs模型
• 支持whisper large-v3模型
• 人声提取功能

参数说明：

1.1.1转写参数：

• audio: 输入文件的路径(或类似文件的对象)，或音频波形。
• language: 音频中的语言。应该是一个语言代码，如“en”或“fr”。如果未设置，则在音频的前30秒内检测语言。
• task: 要执行的任务(转录或翻译)。
• beam_size: 用于解码的beam大小。
• best_of: 采样时使用非零温度的候选数。
• patience: Beam搜索耐心因子。
• length_penalty: 指数长度惩罚常数。
• temperature: 采样的温度。它可以是温度元组，如果根据“compression_ratio_threshold”或“log_prob_threshold”失败，则会依次使用。
• compression_ratio_threshold: 如果gzip压缩比高于此值，则视为失败。
• log_prob_threshold: 如果对采样标记的平均对数概率低于此值，则视为失败。
• no_speech_threshold: 如果无话音概率高于此值，并且对采样标记的平均对数概率低于“log_prob_threshold”，则将该段视为静音。
• condition_on_previous_text: 如果为 True，则将模型的前一个输出作为下一个窗口的提示提供;禁用可能会导致文本在窗口之间不一致，但模型不太容易陷入失败循环，比如重复循环或时间戳失去同步。
• initial_prompt: 为第一个窗口提供的可选文本线条光线或词元id可迭代项。
• prefix: 为第一个窗口提供的可选文本前缀。
• suppress_blank: 在采样开始时抑制空白输出。
• suppress_tokens: 要抑制的标记ID列表。-1 将抑制配置文件 config.json中定义的默认符号集。
• without_timestamps: 仅对文本标记进行采样。
• max_initial_timestamp: 初始时间戳不能晚于此时间。
• word_timestamps: 使用交叉注意力模式和动态时间规整提取单词级时间戳，并在每个段的每个单词中包含时间戳。
• prepend_punctuations: 如果 word_timestamps为 True，则将这些标点符号与下一个单词合并。
• append_punctuations: 如果 word_timestamps为 True，则将这些标点符号与前一个单词合并。
• vad_filter: 启用语音活动检测(VAD)以过滤掉没有语音的音频部分。此步骤使用Silero VAD模型https://github.com/snakers4/silero-vad。
• vad_parameters: Silero VAD 参数的字典或 VadOptions 类(请参阅类“VadOptions”中的可用参数和默认值)。

1.1.2 方法返回值:

• 一个元组，包含:

  • - 转录段的生成器
  • - TranscriptionInfo的一个实例

1.2 VAD 参数

1.2.1 VAD 选项

• threshold: 语音阈值。Silero VAD 为每个音频块输出语音概率，概率高于此值的认为是语音。最好对每个数据集单独调整此参数，但“懒散”的0.5对大多数数据集来说都非常好。
• min_speech_duration_ms: 短于 min_speech_duration_ms 的最终语音块会被抛弃。
• max_speech_duration_s: 语音块的最大持续时间(秒)。比 max_speech_duration_s 更长的块将在最后一个持续时间超过 的静音时间戳拆分(如果有的话)，以防止过度切割。否则，它们将在  max_speech_duration_s 之前强制拆分。
• min_silence_duration_ms: 在每个语音块结束时等待 min_silence_duration_ms 再拆分它。
• window_size_samples: window_size_samples 大小的音频块被馈送到 Silero VAD 模型。警告！Silero VAD 模型使用$16000$ 采样率训练得到 ，$1024$，$1536$ 样本。其他值可能会影响模型性能!
• speech_pad_ms: 最终的语音块每边都由 speech_pad_ms 填充。

1.3 模型参数

1.3.1 参数

• model_size_or_path: 使用的模型大小(tiny， tiny.en， base， base.en， small， small.en， medium， medium.en， large-v1 或 large-v2)，转换后的模型目录路径，或来自 Hugging Face Hub 的 CTranslate2 转换的 Whisper 模型 ID。当配置了大小或模型 ID 时，转换后的模型将从 Hugging Face Hub 下载。
• device: 转写设备 ("cpu"， "cuda"， "auto")。
• device_index: 要使用的设备ID。也可以通过传递ID列表(例如[0，1，2，3])在多 GPU 上加载模型。在这种情况下，当从多个 Python线程调用 transcribe() 时，可以并行运行多个转录(参见 num_workers)。
• compute_type: 计算类型。请参阅https://opennmt.net/CTranslate2/quantization.html。
• cpu_threads: 在 CPU上运行时使用的线程数(默认为4)。非零值会覆盖 OMP_NUM_THREADS 环境变量。
• num_workers: 当从多个 Python线程调用 transcribe()时，具有多个工作线程可以在运行模型时实现真正的并行性(对 self.model.generate() 的并发调用将并行运行)。这可以以增加内存使用为代价提高整体吞吐量。
• download_root: 模型应该保存的目录。如果未设置，则模型将保存在标准 Hugging Face 缓存目录中。
• local_files_only: 如果为 True，避免下载文件，并在本地缓存的文件存在时返回其路径。

0.6.7 改动

• 增加相同说话人字幕内容聚合功能 #82
  • 参数页面增加相关设置项
  • 输出 txt 格式字幕时，可以那顺序将相同说话人的说话内容聚合在一起。
• 数据标注功能 #78
  • 按照 vocal_path,speaker_name,language,text 格式输出标注信息到 csv 文件
• 修复文件目录带有空格造成的 bug #71
  • 暂时修复带有空格的文件目录被强制去除目录造成的问题
• 修复 whisperX 参数的 bug
  • 修复 min_speakers、max_speakers 参数设置异常的 bug
• 字幕戳编辑功能进一步改进
  • 新增右键菜单批量修改说话人的功能
  • 新增右键菜单合并字幕语句的功能
• 简繁体转换问题 #77
  • 语言 参数新增 简体中文——zhs-Simplified Chinese 和 繁体中文——zht-Traditional Chinese 选项
  • 转写结束之后将会自动转换简繁体
  • 打开已存在的字幕文件将会自动转换简繁体
• 修复单元格列宽 bug
  • 修正单元格列宽逻辑
  • 修正自适应列宽