Чем он отличается от обычной оболочки Whisper:
- он определяет язык для каждого фрагмента речи, а не для каждого файла, поэтому работает со смешанными языковыми материалами;
- он запускает два распознавателя речи для всего контента и использует локальную языковую модель для их согласования;
- он отдает предпочтение уже проделанной человеком работе, а не машинному анализу; встроенные субтитры используются до аудиодорожки, включая оптическое распознавание растровых (PGS) дорожек в ремуксах Blu-ray, и он включается только тогда, когда нечего читать.
Для каждой из этих функций в README указана измеренная точность, а не просто заявление.

Автор запускает его на RTX A5000 с 24 ГБ памяти. Есть профили для карт с 16, 12 и 8 ГБ памяти.
В зависимости от профиля приложению требуется 16–32 ГБ системной оперативной памяти, и оно занимает много места (30–65 ГБ для моделей), поскольку выбирает модель, подходящую для каждой задачи и языковой пары.
Только для #Linux и NVIDIA.