今天这次测评显卡对 AI 模型推理到底有没有加速作用？
01 细节
使用显卡：4090D
待测 AI 模型：whisper 音频转文字 AI 模型
被测数据：10s 长度音频、30s 长度音频
02 背景
在上次音频转文字时，没有使用显卡加速，昨天刚搞定用显卡帮忙推理加速，今天就来测试一下前后对比。
有没有显卡，到底对 AI 模型推理的加速效果如何？
whisper 一共有八个模型，分别是 tiny，base，small，medium，large，large-v1，large-v2，large-v3。
所以需要分别测试一下不同模型的效果。
03 无显卡
首先来看 10s 长度的音频，无显卡加速，纯 CPU 推理。
虽然 tiny 和 base 时间很短，但是显而易见，还是会识别出错别字，这就是牺牲了智商，换来了速度。
从 medium 这个模型开始，识别字准确率上来了，但是消耗时长（29s）也陡增，几乎是原音频长度（10s）的 3 倍了
04 有显卡
接下来我们来看有显卡推理加速的版本，依旧还是 10s 长度：
有显卡推理加速时，基本上 large 系列的模型，都维持在 18s 左右，不到原音频长度的 2 倍。
相比于原来动辄 30-50s 左右，时长已经降低很多了。
05 进一步对比
此时，不确定原音频长度对推理时长的影响有多大，我们直接换个时长的音频，30s，再次推理看时长。
当我把三次测试的结果放一起时，一目了然。
蓝色是无显卡，10s 音频，红色是有显卡，10s 音频，橙色是有显卡，30s 音频。
06 结论
在保证准确度的前提下，比如都使用 large 系列的模型，那么无显卡的平均时长为：42.00s，有显卡的平均时长：18.37s
也就是说，使用 GPU 后的平均时长相比于不使用 GPU 时的平均时长，提高了约 56.26%。
那么综合图片的评测结果来看，推理速度确实是加快了很多，也总算发挥了我这个显卡的价值了。
最后，无论是哪种情况，都推荐使用 whisper 的 large-v2 模型，纵向对比准确率最好，横向对比平均时长最短。
