最近刷视频有点累了，就想把想看的视频直接转成文字，先扫一遍，再决定值不值得花时间看原片。 
选型翻了下有两种 


SenseVoice（sherpa-onnx 推理，int8 量化，模型 228MB） 


whisper.cpp + large-v3-turbo（模型 1.5G） 



测了一轮90秒的音频 




方案
结果




SenseVoice
2秒出全文，带标点，断句基本都正确


whisper
9秒，整体也能识别



第一个坑
一开始丢一个20分钟的音频进去，发现直接卡死，但是又不报错，拿着ds大人排了半天说： 

查阅 SenseVoice 官方文档后发现，SenseVoiceSmall 直接推理接口的音频输入时长限制为 30 秒及以下。 

随后改成分段处理，每段 28 秒、留 2 秒余量，再跑就快多了 
第二个坑
分段转出来的文字如果直接拼接，段落之间会丢...