Chinese Traditional Real Time Transcription

即時轉錄

即時轉錄會在錄音指示器下方顯示已識別的文字，錄音仍在進行中時即可看到。在 設定 → 即時轉錄 中啟用，然後選擇一個模式。

區塊轉錄

區塊轉錄會重複使用所選的主要 Whisper 或 Parakeet 模型。在錄音期間，它會轉錄重疊的音訊視窗，依時間戳合併識別的文字，並在文字保持一致後視為穩定。錄音結束時，如果檢測到間隙，Voice2Win 會補上缺失的尾端或執行完整的備用轉錄。

優點:

• 使用與最終轉錄相同的主要轉錄模型和語言選擇。
• 使長時間口述能更早使用，無需加載單獨的串流識別器。
• 可以在句子邊界周圍運行額外的偏移檢查，以修復先前的區塊結果。

需求與取捨：

• 旨在使用顯示卡加速，當音訊轉錄指定給主處理器時可能無法使用。
• 需要足夠的顯示記憶體來支援所選模型及重疊工作。
• 更頻繁或更大的窗口會增加計算使用量。

區塊設定

設定	預設值	影響
視窗大小	10 秒	一次主模型運行可看到的最大音訊長度。較大的視窗增加上下文，但耗時較長。
跳躍間隔	3 秒	生成新快照的時間間隔。數值越小，更新越頻繁，工作量越大。
重疊 / 上下文	20 秒	為了上下文和合併，再次包含之前的音訊。
穩定延遲	6 秒	新文字在變為穩定之前必須保持不變的時間。
靜默時的時間限制	1000 毫秒	在此期間未檢測到語音時，接受待定的穩定文字。
額外句子邊界檢查	2	每個句子邊界額外進行的偏移檢查次數；設為零則禁用額外運行。
偏移因子	20%	控制額外句子視窗的偏移程度。

如果手動調整使輸出變慢或不穩定，請使用 恢復預設值。

串流轉錄

串流轉錄會在錄音的同時平行運行一個獨立的 Sherpa-ONNX 在線識別器。它會生成非常早期的初步句子，然後主要的轉錄模型會以重疊的方式進行精煉。

優勢：

• 最早可見的初步結果。
• 可以在主處理器上運行，或者在 Windows 上使用 DirectML 顯卡加速。

取捨：

• 僅支援當前目錄中存在串流模型的語言。
• 原始的初步識別結果可能比最終的主模型結果粗糙。
• 為每個選定的語言或模型變體下載並緩存額外的模型。

串流設定

• 運行環境 — 選擇主要處理器以獲得兼容性，或選擇 Windows 顯示卡以提升速度。
• 串流音訊模型 — 更快 可減少延遲和加載時間；更準確但較慢 則花更多計算資源以提高識別品質。
• 同時精煉的句子數量 — 控制重疊的主模型精煉窗口，範圍為 1 到 8 句；預設值為 2。
• 已加載的串流音訊模型 — 列出快取模型並允許刪除。刪除的模型在需要時會再次下載。

共享顯示設定

錄音指示器下方的最大文字高度 限制即時文字佔螢幕高度的 10–90%；預設值為 50%。較長的文字仍可滾動，並跟隨最新結果，直到你手動向上滾動。

我應該選擇哪種模式？

• 當您希望使用主要模型的行為，且擁有足夠的顯示卡性能和記憶體時，選擇 區塊轉錄。
• 當最早的臨時文字很重要，且您的語言受到支援時，選擇 串流轉錄。
• 當您偏好最簡單的流程，且只需要錄音後的最終結果時，請停用即時轉錄。