早上媳妇发了一个微信科普视频，让把里面的语音转出文本文件。
媳妇安排的活自然要重视，好在又是上报年报，有的是等候反馈的时间。
先用obs把视频中的声音抽取出来，然后到网上搜了一下在线视频转文本的网站，都不靠谱，要么是有时间限制，要么是胡说八道。
于是下载了buzz，开始选择默认的base模型，转出的文本是繁体中文，但可用。
工作要认真负责，何况是媳妇安排的，把文本文件转换为简体后，又对照着视频重新校对一遍。
给媳妇发过去后，感觉哪里不对劲，现在文本转语音都这么成熟了，反向转换效果不应该这么差。到网上搜索一下，这buzz是基于OpenAI的whisper模型的，而whisper模型光看体积就知道性能差距不小，换成medium后，转换过程中就能识别专业术语，并且自动添加标点符号了。
至于large模型，换了机器再说吧。