現今應該很多人跟我一樣，常常都會用 Whisper 來將影片、音訊檔轉成文字，尤其是需要記錄會議的人，甚至是轉成影片字幕檔也沒問題。而先前的 large-v3 雖然準確度很高，但轉換速度真的有一點慢。
現在，終於有更快的版本了！稍早 OpenAI 正式推出最新「large-v3-turbo」模型，就如同 Turbo 的名字一樣，這渦輪加速真的猛，我實測 14 多分鐘的影片，不到 30 秒就轉換完成，而且還是字幕檔。
圖片來源：Hugging Face
OpenAI 超快語音轉文字 Whisper large-v3-turbo 模型正式亮相
OpenAI 最新推出的 large-v3-turbo 模型，就跟一直以來作法一樣，延續模型精簡化的，跟原本的 large-v3 相比，體積更小速度更快，但仍能擁有跟較大模型相同的效能水準。
更精確點說，large-v3-turbo 有 809M 的參數，large-v3 則是 1550M 參數，明顯少很多，不過跟 medium 模型的 769M 稍微大一些，而且只需要 6GB VRAM 就能運行，OpenAI 也宣稱 large-v3-turbo 速度是 large 的 8 倍：
在 Github 網站上，也有分享各語言的測試數據，紅色是 turbo，可以注意到 Common Voice 15 語料庫測試的排名中，Mandarin（TW）部分排名很前面，僅落後 large-v3 一點。FLEURS 也一樣：
turbo 的錯誤率大約在 large-v3 和 large-v2、medium 之間，但速度部分僅輸 tiny 模型，由此可見有多麼強。OpenAI 也稱這是效能和速度二全奇美的選擇：
目前 large-v3-turbo 已經可以使用，也有在 Hugging Face 上釋出，有需要的人可以下載實測看看。
Whisper large-v3-turbo 實測速度
我使用阿達最新 YouTube 影片「PHILIPS小飛筆 AI 筆型錄音筆：錄音轉錄文字終身免費！即時轉寫、即時翻譯與總結重點一筆掌握」進行測試，這部影片長達 14:40，我用 large-v3-turbo 來轉錄，花不到 30 秒就完成，快到讓我覺得不可思議，感覺就像是按下開始正準備泡咖啡來喝，就已經完成了。
10:03:12 開始，10:03:39 就完成：
而且是字幕檔：
再來我改用 large-v3 模型，花了快 3 分鐘才完成，開始時間為 14:33:24，完成時間為：14:36:04：
至於準確度，確實 large-v3 錯誤率更低，像這部開頭阿達有講「這會為你帶來滿滿的好運氣」，也就是下圖第四個，這句 large-v3 有辨識出來，large-v3-turbo 就沒有：
所以如果你很要求準確度，large-v3 依舊是首選，但如果錯一點或沒辨識到沒差，那用 large-v3-turbo 會為你省下大把時間。
Whisper large-v3-turbo 有線上免費工具嗎？
有的，在 Hugging Face 上已經有人分享，不過我測試現在似乎有點問題，我用同一部影片，獲得的文字檔會出現亂碼，而且是簡體中文，YouTube 目前也無法用，不確定之後會不會修復，有需要的人可以試試看：
