语音识别即音视频中的人类说话声转为文字，是视频翻译的第一步，也是决定后续配音、字幕质量的关键。 目前软件重点支持的也是能够本地离线识别的有faster-whisper本地和openai-whisper本地两种。
两者很相似，本质上 faster-whisper 是 openai-whisper 的再加工优化产物，识别精度基本一致但前者识别速度更快，相对的前者使用CUDA加速时对环境配置要求也更多。
faster-whisper本地识别模式
软件默认也推荐使用该模式，它的速度更快，效率更高。
该模式下的模型体积从小到大体积分别是 tiny -> base -> small -> medium -> large-v1 -> large-v3
从前到后模型体积自 60MB 逐渐增加到 2.7G，所需要的内存、显存、CPU/GPU 消耗也逐渐增大，如果可用显存低于10G不建议使用large-v3 ，否则可能闪退卡死等
从 tiny 到 large-v3 随着体积和资源消耗的增加，相应的识别准确度也越来越高，tiny/base/small 这类属于微小模型，识别速度很快资源占用很少，但准确度很低;
medium属于中等模型，如果要识别中文发音的视频，推荐至少要使用大于等于medium的模型，否则效果不佳。
假如CPU足够强、内存足够大，即便不使用CUDA加速，也可选用 large-v1/v2 模型，精确度相比前面几个中小模型会提升很多,虽然识别速度会降低。
large-v3 占用资源较大，除非计算机够强悍，否则不推荐使用。建议使用 large-v3-turbo来代替它,两者精度一致，但large-v3-turbo又快占用资源又少。
模型名字以
.en结尾和以distil开头的，只可用于英语发音的视频，请勿用于其他语言视频。
openai-whisper本地识别模式
该模式下的模型和 faster-whisper 基本一致，也是从小体积到大体积分别是 tiny -> base -> small -> medium -> large-v1 -> large-v3 ，使用注意事项也一致，tiny/base/small 是微小模型，large-v1/v2/v3是大型模型。
总结选用方式
- 推荐优先考虑 faster-whisper本地模式，除非你想使用CUDA加速但始终报环境错误，可以使用openai-whisper本地模式
- 不论哪种模式，如果要识别中文发音的视频，建议至少选用medium模型，最小也得使用small，英语发音视频至少选用small。当然如果计算机资源充足，建议选用 large-v3-turbo.
.en结尾和distil开头的模型只可用于英语发音的视频