Chinese Simplified Real Time Transcription

实时转录

实时转录在录音进行时会在录音指示器下显示识别的文本。在 设置 → 实时转录 中启用此功能，然后选择恰好一个模式。

分块转录

分块转录会重用所选的主要 Whisper 或 Parakeet 模型。在录音过程中，它会转录重叠的音频窗口，通过时间戳合并识别的单词，并在文本保持一致后将其视为稳定。当录音结束时，如果检测到缺失部分，Voice2Win 会添加缺失的尾部或执行完整的回退转录。

优点：

• 使用与最终转录相同的主要转录模型和语言选择。
• 使较长的口述内容更早可用，无需加载单独的流式识别器。
• 可以在句子边界周围运行额外的偏移检查，以修复之前的块结果。

要求和权衡：

• 旨在用于显卡加速，当音频转录分配给主处理器时可能无法使用。
• 所选模型和重叠工作需要足够的显存。
• 更频繁或更大的窗口会增加计算使用量。

块设置

设置	默认值	作用
窗口大小	10 秒	单次主模型运行可见的最大音频时长。较大的窗口可以增加上下文，但处理时间更长。
跳跃间隔	3 秒	新快照之间的时间间隔。较小的值会更频繁刷新，并启动更多工作。
重叠 / 上下文	20 秒	为提供上下文和合并而再次包含的早期音频。
稳定延迟	6 秒	新文本需要保持不变的时间长度，才会被视为稳定。
静音期间时间限制	1000 毫秒	在此期间未检测到语音时接受待定稳定文本。
额外句边界检查	2	每个句子边界的额外位移检查次数；为零则禁用额外运行。
位移因子	20%	控制额外句子窗口的位移幅度。

如果手动调节导致输出变慢或不稳定，请使用 恢复默认设置。

流式转录

流式转录会在录音的同时并行运行一个单独的 Sherpa-ONNX 在线识别器。它会生成非常早期的临时句子，然后主转录模型再通过重叠分组进行优化。

优点：

• 最早可见的临时结果。
• 可以在主处理器上运行，或者在 Windows 上使用 DirectML 显卡加速。

权衡：

• 仅支持当前目录中存在流模型的语言。
• 原始临时识别结果可能比最终主模型结果粗糙。
• 每种选定语言或模型变体都需要下载并缓存一个额外的模型。

流设置

• 运行环境 — 选择主要处理器以兼容性，或选择 Windows 显卡以提高速度。
• 流式音频模型 — 更快 可最小化延迟和加载时间；更准确但更慢 会消耗更多计算以提高识别质量。
• 同时优化的句子数量 — 控制主模型重叠优化窗口，从 1 到 8 个句子；默认值为 2。
• 已加载的流式音频模型 — 列出缓存的模型并允许删除。已删除的模型在需要时会重新下载。

共享显示设置

录音指示器下的最大文本高度 将实时文本限制为屏幕高度的 10%–90%；默认值为 50%。更长的文本可滚动，并会跟随最新结果，直到你手动向上滚动。

我应该选择哪种模式？

• 当您希望获得主要模型的行为并且拥有足够的显卡性能和内存时，选择 块式转录。
• 当尽早获取临时文本很重要并且您的语言受到支持时，选择 流式转录。
• 当您更喜欢最简单的流程并且只需要录音后的最终结果时，请禁用实时转录。