识别英文语音为字幕的工具

以下是关于自动语音识别加字幕的相关内容： 制作 AI 数字人视频添加字幕的方法： 在显示区域，拖动背景图的角将其放大到适合尺寸，如覆盖视频窗口，并将数字人拖动到合适位置。点击文本 智能字幕 识别字幕，然后点击开始识别，软件会自动将文字智能分段并形成字幕。至此，数字人视频完成，可点击右上角“导出”按钮导出视频备用。 文旅片添加字幕的方法： 选择朗诵男生或清爽男生的音色进行朗读，点击开始朗读自动生成音频。鼠标右键点击当前音轨，找到识别字幕/歌词，耐心等待生成对应文本字幕。操作复杂的部分可观看录制的视频。若剪映的识别字幕功能需要 VIP，可准备好字幕文件，点击本地字幕并导入文件。 视频自动字幕工具推荐： 1. Reccloud：免费的在线 AI 字幕生成工具，可上传视频精准识别，能翻译字幕并生成双语字幕，处理过 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，可自定义字幕样式。 3. Arctime：能对视频语音自动识别并转换为字幕，支持自动打轴，支持 Windows 和 Linux 等主流平台及 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 您可根据自身需求选择适合的工具。

以下是一些与实时字幕相关的信息： 人工智能音频初创公司： ：为聋人和重听者提供专业和基于 AI 的字幕（转录和说话人识别）。 ：专业的基于 AI 的转录和字幕。 ：混合团队高效协作会议所需的一切。 ：音频转录软件 从语音到文本到魔法。 ：99%准确的字幕、转录和字幕服务。 ：为语音不标准的人群提供的应用程序。 ：通过 AI 语音识别实现更快速、更准确的语音应用。 ：会议的 AI 助手。 ：让孩子们的声音被听见的语音技术。 ：使用语音识别自动将音频和视频转换为文本和字幕的 SaaS 解决方案。 ：实时字幕记录面对面小组会议中的发言内容。 ：理解每个声音的自主语音识别技术。 ：支持 35 多种语言的自动转录。 ：端到端的边缘语音 AI，设备上的语音识别。 Meta AI 发布实时人工智能语言翻译模型：Seamless 应用场景：人们之间的无障碍交流，包括文字和语音交流，适用于教学、旅行、娱乐等领域，也为国内外院校的合作教育分享提供便利。 技术类型：语音 简介：统一了之前的三个 Seamless 系列模型，可以实时翻译 100 多种语言，延迟不到 2 秒钟，说话者仍在讲话时就开始翻译，还能保持说话者的情感和语气、语调等，使得翻译后的语音更加自然和真实。 主要特点：保持原声情感，实时翻译。 【TecCreative】帮助手册中的 AI 字幕： 操作指引：点击上传视频 开始生成 字幕解析完成 下载 SRT 字幕。 注意：支持 MP4 文件类型，大小上限为 50M。

以下是一些可以为法语视频配上法语字幕的软件推荐： 1. Reccloud：免费的在线 AI 字幕生成工具，可直接上传视频精准识别，能翻译字幕生成双语字幕，已处理 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，可自定义字幕样式。 3. Arctime：能对视频语音自动识别并转换为字幕，支持自动打轴，支持 Windows 和 Linux 等主流平台及 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 以上工具各有特点，您可根据自身需求选择最适合的。内容由 AI 大模型生成，请仔细甄别。

以下是使用豆包软件提取视频字幕的方法： 1. 对于数字人视频：点击文本智能字幕识别字幕，然后点击开始识别。软件会自动将文字智能分段并形成字幕。至此，数字人视频就完成了。如果需要导出视频，点击右上角的“导出”按钮。 2. 对于 B 站视频： 首先确认视频栏下面有字幕按钮，说明视频作者已上传字幕或后台适配了 AI 字幕。 安装油猴脚本： 。 安装后刷新浏览器，点击字幕，会多出一个“下载”按钮。 点击下载按钮，可选择多种字幕格式，如带时间的或者不带时间的。 最后将字幕文字内容全选复制发送给 GPTs 即可。

以下是关于对视频进行字幕提取的相关内容： 对于 B 站视频，如果其有字幕，您可以通过以下步骤提取字幕： 1. 确认视频栏下方有字幕按钮，说明视频作者已上传字幕或后台适配了 AI 字幕。 2. 安装油猴脚本： 。 3. 安装后刷新浏览器，点击字幕，会出现“下载”按钮。 4. 点击下载按钮，选择多种字幕格式，如带时间或不带时间的。 5. 全选复制字幕文字内容发送给 GPTs 即可。 此外，为您推荐以下视频自动字幕工具： 1. Reccloud：免费在线 AI 字幕生成工具，可直接上传视频精准识别，能翻译字幕并生成双语字幕，处理过 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，可自定义字幕样式。 3. Arctime：能对视频语音自动识别并转换为字幕，支持自动打轴，支持 Windows 和 Linux 等主流平台及 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 您可以根据自身需求选择适合的工具。

以下是关于影视翻译音频生成字幕的相关信息： 出门问问语音合成（TTS）API： 调用参数及说明： gen_srt：控制是否生成对应的 srt 字幕文件。当 ignore_limit 为 true 时，audio_type 为 wav 可以返回字幕，其他类型不行。默认不生成字幕文件，生成字幕文件需额外付费，价格详情参考报价页。srt 文件地址通过 response header 返回。默认值：false，可选值：false/true。 merge_symbol：粗粒度合成参数，默认为 false。指定为 true 时，语气停顿更接近真人效果，merge_symbol 开启会导致 symbol_sil 参数无效。默认值：false，可选值：false/true。 srt_len：生成字幕的最大长度，中文字幕遇到特定符号会自动分句拆分字幕。 streaming：是否流式输出，默认为 false。指定为 true 时，ignore_limit 为 true 且 audio_type 不为 wav 时，接口流式输出。 Request Header 设置。 视频自动字幕工具推荐： 1. Reccloud：免费的在线 AI 字幕生成工具，可直接上传视频精准识别，能对识别的字幕进行翻译，自动生成双语字幕。已处理 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供简单、准确、快速的字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，可自定义视频字幕样式。 3. Arctime：可对视频语音自动识别并转换为字幕，支持自动打轴，支持 Windows 和 Linux 等主流平台，支持 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 以上工具各有特点，您可根据自身需求选择。请注意，内容由 AI 大模型生成，请仔细甄别。

以下是为您提供的开源文字转语音相关信息： WhisperSpeech：通过对 OpenAI Whisper 模型的反向工程实现，生成发音准确、自然的语音输出。 相关链接：https://github.com/collabora/WhisperSpeech 、https://x.com/xiaohuggg/status/1748572050271420663?s=20 StyleTTS 2：一个开源的媲美 Elevenlabs 的文本转语音工具，可结合文本角色内容和场景音快速生成有声小说。 主要特点：多样化的语音风格、更自然的语音、高效生成、精确的语音控制、接近真人的语音合成、适应不同说话者。 工作原理：利用风格扩散和与大型语音语言模型（SLM）的对抗性训练来实现接近人类水平的 TTS 合成，通过扩散模型将风格建模为一个潜在的随机变量，以生成最适合文本的风格，而不需要参考语音，实现了高效的潜在扩散，同时受益于扩散模型提供的多样化语音合成。 相关链接：暂无

以下是一些免费好用的文本转语音工具： 1. Eleven Labs：https://elevenlabs.io/ 这是一款功能强大且多功能的 AI 语音软件，能生成逼真、高品质的音频，可高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 2. Speechify：https://speechify.com/ 这是一款人工智能驱动的文本转语音工具，可将文本转换为音频文件，能作为 Chrome 扩展、Mac 应用程序、iOS 和 Android 应用程序使用，适用于收听网页、文档、PDF 和有声读物。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal 这是一套服务，赋予应用程序“听懂、理解并与客户进行对话”的能力，提供了支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 4. Voicemaker：https://voicemaker.in/ 这一 AI 工具可将文本转换为各种区域语言的语音，并允许创建自定义语音模型，易于使用，适合为视频制作画外音或帮助视障人士。 此外，还有日语文本转语音软件 VOICEVOX，它提供多种语音角色，适用于不同场景，可调整语音的语调、速度、音高，开源且可商用。链接： 内容由 AI 大模型生成，请仔细甄别。

以下是关于语音转文字的相关信息： 推荐 OpenAI 的 wishper，相关链接：https://huggingface.co/openai/whisperlargev2 。一分钟搞定 23 分钟的音频，相关链接：https://huggingface.co/spaces/sanchitgandhi/whisperjax 。此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API。 在声控游戏《神谕》中，使用 GVoice 提供的语音录制和识别能力进行语音转文字，中文识别率优秀。语音识别的少量错误，可被 chatgpt 正常理解和纠错，衔接流畅。 免费的会议语音转文字工具大多有使用时间限制，超过免费时间需付费。推荐工具包括：飞书妙记（https://www.feishu.cn/product/minutes）、通义听悟（https://tingwu.aliyun.com/home）、讯飞听见（https://www.iflyrec.com/）、Otter AI（https://otter.ai/）。更多会议记录工具请访问网站：https://waytoagi.com/sites/category/29 。

以下是一些中文语音克隆能力较强的产品： XiaoHu.AI：通过 250,000 小时的中英双语数据训练，仅需 15 秒的声音即可完美克隆，包括音色和情感。基于 LLaMA 模型，支持从文本生成语音，或基于语音提示生成目标语音（保留情感特征）。参数规模有 Llasa1B（轻量级，适合资源受限硬件部署，链接：https://huggingface.co/HKUSTAudio/Llasa1B ）和 Llasa3B（更高性能，提供更复杂的语音生成，链接：https://huggingface.co/HKUSTAudio/Llasa3B ）。详细介绍：https://www.xiaohu.ai/c/a066c4/llasattsllama3233827b03e5f44a989bf29c06d43d11ce 。 开源产品： GPTSoVITS：https://github.com/RVCBoss/GPTSoVITS ，对中、英、日语言支持良好，需要 10 分钟左右干素材，瞬时 clone 功能未开放。 OpenVoice：https://github.com/myshellai/OpenVoice ，对中文支持较好，主打瞬时 clone，发展势头良好，一个月前测试时中文声音 clone 有英语味道。 商业产品： ElevenLab：https://elevenlabs.io ，支持最多语言种类，支持瞬时 clone，综合效果最好。 Reecho：https://reecho.ai ，中国团队，支持长音频和瞬时声音 clone，据说与火山引擎的声音 clone 技术同源。 自得语音：https://zideai.com ，中国团队，支持瞬时声音 clone 和声音定制，尚未测试。

以下是关于语音转文字的相关信息： 推荐 OpenAI 的 wishper，相关链接：https://huggingface.co/openai/whisperlargev2 。一分钟搞定 23 分钟的音频，相关链接：https://huggingface.co/spaces/sanchitgandhi/whisperjax 。此项目在 JAX 上运行，后端支持 TPU v48，与 A100 GPU 上的 PyTorch 相比，快 70 多倍，是目前最快的 Whisper API。 在声控游戏《神谕》中，使用 GVoice 提供的语音录制和识别能力进行语音转文字，中文识别率优秀。语音识别的少量错误，可被 chatgpt 正常理解和纠错，衔接流畅。 免费的会议语音转文字工具大多有使用时间限制，超过免费时间需付费。推荐工具包括：飞书妙记（https://www.feishu.cn/product/minutes）、通义听悟（https://tingwu.aliyun.com/home）、讯飞听见（https://www.iflyrec.com/）、Otter AI（https://otter.ai/）。更多会议记录工具请访问网站：https://waytoagi.com/sites/category/29 。

通过提示词实现意图识别通常有以下几种方式： 1. 准备特定于任务的数据集，对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。但此过程需要较多训练数据和计算资源。 2. 使用 Prompttuning 方法，通过精心设计的提示词来引导模型识别和响应用户意图。这种方法具有灵活性和快速适应性。 3. 对用户的指令通过提示词进行分类，以识别不同的意图，然后根据识别出的意图执行相应动作，最终输出 JSON 格式的结果。 4. 对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，匹配更准的信息源和更好的回复提示词。例如搜索“笔记本电脑”，提取出“shopping”意图，挂载相关电商平台信息源进行更小范围搜索，并加载匹配的提示词模板控制大模型回答内容。 5. 利用大模型提供的 Function Calling 能力进行意图识别。 但目前主流的实现方案，不管是成熟的大模型还是微调的小模型，准确度都不够高。

以下是一些可以通过图片识别其中内容并生成可编辑 PPT 文件的 AI 工具： 1. 增强版 Bot：这是一个基于 AI 驱动的智能创作平台，能够实现一站式内容生成，包括图片、PPT、PDF 等。您可以在对话框输入诉求，如“帮我生成一篇包含以上架构风格的完整 PPT”，它会为您生成幻灯片内容和相关模板选择。 2. Gamma：在线 PPT 制作网站，允许用户通过输入文本和想法提示快速生成幻灯片，还支持嵌入多媒体格式，如 GIF 和视频。网址：https://gamma.app/ 3. 美图 AI PPT：由知名图像编辑软件“美图秀秀”的开发团队推出，用户通过输入简单的文本描述来生成专业的 PPT 设计，包含丰富的模板库和设计元素。网址：https://www.xdesign.com/ppt/ 4. Mindshow：AI 驱动的 PPT 辅助工具，提供一系列的智能设计功能，如自动布局、图像选择和文本优化等。网址：https://www.mindshow.fun/ 5. 讯飞智文：由科大讯飞推出的 AI 辅助文档编辑工具，利用语音识别和自然语言处理领域的技术优势，提供智能文本生成、语音输入、文档格式化等功能。网址：https://zhiwen.xfyun.cn/ 6. GPT4、WPS AI 和 chatPPT：卓 sir 在完成 PPT 作业时使用的三个 AI 工具。

以下是关于学习 AI 的相关内容： 一、AI 工具的操作 要了解并掌握至少一种 AI 工具的基本操作，如智能代码、流程管理、智能报表、数据分析、图像识别、文字生成等。 二、AI 工具在本职工作的应用 思考并提出 AI 工具如何帮助更高效地完成本职工作，包括但不限于提高工作效率、优化工作流程、节约成本、提升交付质量等。 三、AI 工具在非本职工作的潜力推演 探索 AI 工具在非本职工作领域，如公司管理、团队领导、跨部门合作、团队发展以及市场研究等方面的作用，思考如何有效利用这些工具以及它们可能带来的改变。 四、学习路径 1. 对于不会代码的学习者： 20 分钟上手 Python+AI，在 AI 的帮助下可以完成很多基础的编程工作。若想深入，需体系化了解编程及 AI，至少熟悉 Python 基础，包括基本语法（如变量命名、缩进等）、数据类型（如字符串、整数、浮点数、列表、元组、字典等）、控制流（如条件语句、循环语句）、函数（定义和调用函数、参数和返回值、作用域和命名空间）、模块和包（导入模块、使用包）、面向对象编程（类和对象、属性和方法、继承和多态）、异常处理（理解异常、异常处理）、文件操作（文件读写、文件与路径操作）。 2. 新手学习 AI： 了解 AI 基本概念，建议阅读「」部分，熟悉术语和基础概念，浏览入门文章。 开始 AI 学习之旅，在「」中找到为初学者设计的课程，推荐李宏毅老师的课程，也可通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习并获证书。 选择感兴趣的模块深入学习，掌握提示词技巧。 实践和尝试，理论学习后通过实践巩固知识，在知识库分享实践作品和文章。 体验 AI 产品，如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人，了解其工作原理和交互方式。 五、工具推荐 1. Kimi 智能助手：ChatGPT 的国产平替，上手体验好，适合新手入门学习和体验 AI。不用科学网、不用付费、支持实时联网，是国内最早支持 20 万字无损上下文的 AI，对长文理解做得好，能一次搜索几十个数据来源，无广告，能定向指定搜索源（如小红书、学术搜索）。 PC 端： 移动端（Android/ios）： 2. 飞书：汇集各类 AI 优质知识库、AI 工具使用实践的效率工具，助力人人成为效率高手。

以下是为您提供的关于搭建可以视频和图片识别宠物猫品种和品相的智能体的相关信息： 目前有一种技术叫 PixelLLM，它是由 Google 开发的新型视觉语言模型。其完善后在弱视（眼疾）用户方面会有较好的应用场景。这个模型不仅能够对图片进行详细描述，还能精确指出图片中每个词汇对应的具体位置。例如，若图片中有一只猫和一只狗，PixelLLM 不仅能识别出“猫”和“狗”，还能指出它们在图片中的具体位置。这种能力使得模型在处理需要图像和文字紧密结合的任务时表现出色，比如在一张图片中找到特定的物体或区域，并对其进行描述。 主要特点包括： 1. 像素级词汇对齐：不仅能告知图片里有什么，还能准确指出这些东西在图片的具体位置。 2. 多种功能：具备多种处理图像和文字结合任务的能力。 您可以考虑基于类似的技术来搭建您所需的智能体。

以下是搭建能够自行识别电商直播平台中客户提出的问题并给出自然回答，且直播主播为虚拟数字人的具体步骤： 1. 选择数字人工具软件： 考虑实时驱动和非实时驱动两类。实时驱动能在直播时更改音频话术，真人可接管，标准零售价一年 4 6 万往上；非实时驱动一个月 600 元，但效果差，类似放视频的伪直播，市场价格混乱。 2. 确定数字人运营服务模式： 按直播间成交额抽佣。 3. 明确适用品类和场景： 适用于不需要强展示的商品，如品牌食品饮料；适用于虚拟商品，如门票、优惠券等；店播效果较好，数据能保持跟真人一样；不适用于促销场景和服装品类。 4. 了解 AI 直播的壁垒和未来市场格局： 目前有技术门槛，如更真实的对口型、更低的响应延迟等，但长期看技术上无壁垒。 市场不会一家独大，可能 4 5 家一线效果公司，大多为二三线效果公司。 能把客户服务好、规模化扩张的公司更有价值，疯狂扩代理割韭菜的公司售后问题多。 有资源、有业务的大平台下场可能带来降维打击，如剪映若不仅提供数字人，还提供货品供应链、数据复盘分析等全环节服务，会对其他公司形成竞争压力。

AGI 的英文全称是 Artificial General Intelligence，通常指一种能够在许多领域内以人类水平应对日益复杂的问题的系统。部分人认为大语言模型具有 AGI 潜力，但也有人反对。在公众传播中，AIGC 指用 Stable Diffusion 或 Midjourney 生成图像内容，后来泛指用 AI 生成音乐、图像、视频等内容；LLM 指 NLP 领域的大语言模型，如 ChatGPT；GenAI 是生成式人工智能模型，国内官方政策文件使用这个词相对科学，涵盖了 LLM 和 AIGC。公众传播一般会混用上述名词，但底层是 Transformer 结构。

以下是一些能够生成动物对口型唱英文歌视频的工具及相关信息： 1. 可灵： 创作思路：文物唱歌，配上精确口型会有趣。可灵上线了对口型功能，基于可灵制作的视频对口型，比图片对口型更自由，可先让文物动起来，再对口型唱歌等。 用到的工具：可灵、剪映。 选择原因：可灵是目前在线 AI 视频工具里对口型功能简单效果又强。 简易步骤： 将原图转为 5 秒的视频，并延长一次达到 10s，只做镜头推进效果。 从想使用的歌里切出 10s 片段。 使用延长到 10s 的视频，点击对口型，通过「上传本地配音」上传切出的片段。 2. HeyGen： 创作思路：简单且支持的时间足够长。如果想带上更复杂的肢体动作，可以使用可灵。 步骤：在 HeyGen 里上传图片，作为 Photo Avatar，点击上传音频，上传自己想使用的歌曲/片段即可。 3. 即梦 AI： 功能介绍：「对口型」是即梦 AI「视频生成」中的二次编辑功能，现支持中文、英文配音。目前主要针对写实/偏真实风格化人物的口型及配音生成，为用户的创作提供更多视听信息传达的能力。可上传包含完整人物面容的图片，进行视频生成，待视频生成完成后，点击预览视频下的「对口型」按钮，输入台词并选择音色，或上传配音文件进行对口型效果生成。目前支持语言：中文（全部音色），英文（推荐「超拟真」内的音色）。 技巧：上传写实/近写实的人物单人图片，目前不支持多人物图片对口型；输入 prompt，选择参数，点击生成视频，尽量确保人物无形变等扭曲效果；确保人物生成的情绪与希望匹配的口型内容匹配；在生成的视频下方，点击【对口型】；输入或上传需要配音的内容，注意视频生成时长和配音试听时长尽量对齐，点击生成。先对口型，再超分补帧。

Some of the mainstream large models and their specific information are as follows: BERT: It is an encoderonly model commonly used in natural language understanding tasks such as classification and sentiment analysis. T5: An encoderdecoder model from Google, used for tasks like translation and summarization. GPT3: It has a large number of parameters and can complete tasks based on user input descriptions or examples. ChatGPT: Users can complete tasks by having conversations with it like with a human. The "large" in large models refers to the large amount of pretraining data, often from the Internet, including papers, code, and public web pages, usually at the terabyte level. Also, they have a large number of parameters. For example, GPT3 has 170 billion parameters.

The mainstream large models include: OpenAI: GPT3.5 and GPT4. GPT3.5 initiated the current AI boom in November, and GPT4 was first released in spring with more powerful functions. A new variant uses plugins to connect to the internet and other applications. Microsoft's Bing uses a mixture of GPT4 and GPT3.5 and is often the first to introduce new features in the GPT4 family. Google: Bard, driven by various base models, recently a model named PaLM 2. Anthropic: Claude 2, which is notable for having a very large context window.

以下是将中文视频音频变成英文的方法： 1. 先将中文台词通过谷歌翻译成英文，然后找专业人士进行英文字幕校对与台词润色，形成配音稿。 2. 可以使用 11labs（官网：https://elevenlabs.io/）进行对白制作，其英文效果较好，但存在声音没有情绪和情感的问题。无法使用语速、情绪调节等控件，只能通过标点符号去改变语音效果，如使用逗号、句号、省略号、感叹号等，有时会叠加不同标点符号来试语音效果。同一句台词可能需要生成十几二十段音频，才能找到合适自然的声音。 3. 国内可以使用出门问问的魔音工坊，它可以使用情绪调节控件。 4. 进行剪辑，对于 13 分钟的短片，剪映比较方便；更长篇幅或追求更好效果，可能需要使用 PR/FCP/达芬奇等传统剪辑软件。

以下工具可以将英文音频转为中文音频：Whisper。它和 llama 类似，采用 make 命令编译，之后去 ggerganov/whisper.cpp下载量化好的模型，然后转换音频即可。目前 Whisper 只接受 wav 格式，可以用 ffmpeg 进行转化。输出的 srt 文件如下所示： |Size|Parameters|Englishonly model|Multilingual model|Required VRAM|Relative speed| ||||||| |tiny|39 M|tiny.en|tiny|~1 GB|~32x| |base|74 M|base.en|base|~1 GB|~16x| |small|244 M|small.en|small|~2 GB|~6x| |medium|769 M|medium.en|medium|~5 GB|~2x| |large|1550 M|N/A|large|~10 GB|1x| 一般来说，对于英文音频，small 模型通常就足够了，但如果是中文音频，最好使用最大的模型。