语音识别提取文本

一、前言

音视频中的文本提取实际上就是 语音识别（Speech-to-Text）任务。音频转文本的主流技术栈有：Whisper、SpeechRecognition等等。

本文主要使用Whisper技术栈实现语音识别。

二、Whisper介绍及对比

  Whisper 是 OpenAI 于 2022 年开源的一个 端到端自动语音识别（ASR）系统，支持 多语言语音识别、翻译、标点恢复 等任务。它是目前准确率、鲁棒性和多语言支持表现最优秀的开源语音识别模型之一。
模型类型：Transformer，预训练模型
优势：
强多语言支持（中、英、法等）;
可离线运行;
精度非常高，适合中文;
Whisper模型对比