本文框架

一、前言

大家好啊，最近chatgpt比较火啊，我也体验了一把，文章标题就是它给起的，有点标题党了哈，但是意思也大差不差。

之前发表过一篇"免费离线语音识别神器whisper安装教程",因为whisper安装比较费时间，本篇介绍几款其它的免费语音转文字工具，方便大家选择。

我也对这几款工具做了测试，对它们的识别准确率做了对比。文章第五部分会给出识别准确率排名。基于测试结果对语音识别工具的选择在文章最后也给了几条建议。

二、工具用途

语音转文字，可方便快捷的将会议、讲座、课堂录音整理成文字稿。

三、工具推荐：

第一款：Buzz（windows和Mac OS都支持）

Buzz是一款可以离线运行的语音识别软件。它有两个功能，一个是录音转文字，一个是实时语音识别。它的底层还是使用的whisper的语音识别功能。不过它的优点是你只需要下载一个安装包，安装好之后就可以直接运行，不像配置whisper那样麻烦。

使用方法

我们这里简单介绍下它的录音转文字功能。在进行第一次转录的时候会下载模型，下载完后即可离线运行。

点击"File",再点击"Import Audio File..."，导入你需要转文字的录音文件。

之后会弹出一个设置框，

如上图所示：

左边框选的是让你选转写的质量，从上往下，质量逐渐增高，转写的准确率会上升，但是相应的耗费的时间也会变长。左边框框选的这五个选项，对应whisper的tiny，base，small，medium，large五种模式。

右边框是两种任务类型，我们一般选"Transcribe（转录）"模式，"Translate（翻译）"模式是将语音文件翻译成英语文本。图中的"Export As（导出为）"则是选择导出格式。

第二款：飞书妙记、剪映电脑版

这两种方式都需要联网才能使用。为啥把这俩放在一起，因为都是抖音旗下的产品。下图中左边是飞书的公司，右边是剪映的公司。

虽然都是抖音旗下的，但是识别出来的结果还是有所不同的。识别准确率也不相同，文章第五部分给出了识别准确率排名。

使用方法：

飞书妙记：

注册登陆后，直接上传文件就可以了。

飞书妙记可以区别音频中不同的说话人，可以导出txt格式和srt格式。

剪映电脑版:

需要下载安装剪映电脑版。这个功能是为了方便大家剪视频配字幕存在的，联网运行，目前免费。

使用方法：新建项目>导入音频>将音频拉到下方轨道>点击文本>智能字幕，生成后直接点导出字幕文件即可。

第三款：网易见外工作台

网易出品，需要联网。目前每天有2小时免费识别额度。

使用方法：

登录网易见外工作台，新建语音转写项目，上传文件即可。

第四款：windows系统自带语音识别

win10和win11系统自带语音识别，不过这个不支持音频转文字。只支持实时语音识别，需要联网运行。

使用方法：

win10或win11系统下，打开一个txt文件，鼠标点击文件空白处使光标处于待输入状态，按快捷键win+h调出语音输入工具，此时开始说话，工具就会实时识别你说的话，在txt文件中自动输入文字。

第五款：其它

阿里云、腾讯云、百度云、讯飞听见等都有提供录音转写服务，除了讯飞听见也有网页端的服务（新用户赠送15min免费时长）外，都需要会编程调用接口，对不会编程的人不友好。当然你要是会编程的话可以尝试下这几家公司的服务，不同公司多少都会赠送一定的免费额度。

以录音转写服务为例，百度每个账号赠送10小时时长，腾讯每月赠送10h时长，阿里新客有3个月试用期，讯飞赠送15min免费额度。规则可能随时变化，具体请以相关服务商的官方网站为准。

四、不同工具识别准确率对比

我使用了3段音源，一段是我自己录制的一段Excel小技巧视频，大概30s，一段是某播客的聊天音频片段大概5min，一段是主席的2023年新年贺词大概13min。

将三段音频，分别使用whisper的tiny、base、small、medium、large-v1、large-v2、large这7种不同的模型以及飞书妙记、网易见外工作台、win11自带语音识别工具、剪映和必剪这5种免费语音识别工具来转写，比较它们之间的准确率。因为buzz语音识别的核心就是whisper，但是buzz的语音转录模式才有5个选项，而whisper有7个，猜测应该是少了large-v1和large-v2这两种模式，所以我就使用了whisper，而没用buzz。

文本相似度比较方法：

使用了python中difflib库的SequenceMatcher类，可以实现一个用于计算文本相似度的函数。

计算值在0-1之间，如果比较的两段文本相似度越高，则计算值越大。

代码：

fromdifflibimportSequenceMatcherdefsimilarity(a, b):returnSequenceMatcher(None, a, b).ratio()

以下是2个运行示例：

>>> similarity(我是文本A,我是文本A)1.0

>>> similarity(我是文本A,我是文本B)0.8

文本对比前的相关处理

因为有些工具转换出来的文本含有标点符号，有的含有空格和回车，避免中文标点、空格和回车影响文本相似度的对比结果，我使用python将它们全部去除。

去除中文标点代码：

from zhon.hanzi import punctuation
import re

striped_txt = re.sub("[{}]+".format(punctuation),"",txt) txt为待处理文本

去除回车和空格：

dealed_txt= txt.replace(" ","").replace("\n","")去空格、去回车

由于数字识别的时候有些会识别成中文，有些则会识别为阿拉伯数字，但是并不代表识别错误，所以对于语音转写后数字多的文本，我统一改成了中文的数字。

另外whisper转录时有可能会有繁体中文，我就使用在线工具将其转换为简体。

五、对比结果

补充说明：因为buzz的底层是whisper，所以我用的whisper测试，没用buzz，whisper能实现buzz也能实现，所以大家没安装whisper的，觉得whisper表现不错想尝试下也可以用buzz替换哈）

六、结果分析

这几个音源其实都有其特点。

30s的视频是一个Excel小教程，文本量少，总共也才100多字，没有生僻词汇，几个工具识别的都差不多，除了whisper的base和tiny两种较小模型识别效果不好，所有识别结果与文稿的相似度都能达到96%以上。

5min的音源是一个聊天播客的片段，内容都是一些日常生活用语，语气词比较多，嗯啊呃这些，像这种其实对于飞书妙记来说，我的这个比较方式就不太公平了，因为它的识别结果里去除了语气词这些，和正确文稿相比少了很多语气词，自然相似度比较低。

13min的音源是主席2023年的新年贺词，里面使用到的成语和古语引用比较多，比如说艰难困苦，玉汝于成、栉风沐雨、披荆斩棘、犯其至难而图其至远、路虽远，行则将至；事虽难，做则必成、愚公移山、积跬步以致千里等，对于这些的whisper识别起来效果不是很好，而其它工具比较不错。但是即使如此，我们也可以看到whisper识别后文本与源文本的相似性达到了95%以上，对于一个开源、离线运行的软件来说已经很不错了。

观察测试结果，我们发现。

1. 对whisper来说，说模型越大识别准确率越高并不绝对（至少对中文不是）。比如5min音源的识别，small模式比更高级的模式准确率要高。whisper高级模式的语音识别准确率在日常语境（成语典故较少）可以做到比一些在线服务要强大。
2. 剪映和必剪在三次测试中识别准确率都位于前三名。微软语音识别和whisper分别进入了两次测试的前三名，不过whisper的两次分别是不同识别模式。飞书妙记进入一次前三名。

七、建议

通过文章第五部分三组音源的数据，可以给出一些建议：

• 剪映和必剪的识别准确率相对而言比较高，大家可优先选择，但是剪映支持直接导出字幕，必剪需要你自己找到json文件再处理才能得到文本，所以推荐剪映。
• 对一些成语和古语引用比较多的音频，对隐私不敏感的话，不建议使用whisper（buzz），其他在线平台识别准确率都比较高。日常语境下whisper（buzz）表现还是不错。
• 随时间发展免费的在线语音识别服务可能收费，或者突然关停（之前网易见外工作台有段时间停止对外开放，后来又恢复了），建议大家下载个buzz（你要是愿意花时间安装whisper更好），开源软件、离线运行不受制于人，处理一般的语音转写完全没问题，隐私也有保障。

小伙伴们，都看到这里了，点个赞鼓励下呗~