103 Transkrypcja nagrań głosowych - Whisper
Najbardziej przystępną wersję Whispera opisałem tutaj: https://gadesound.blogspot.com/2023/04/whisperowa-transkrypcja-w-c.html Materiały na temat Whispera na moim blogu: https://gadesound.blogspot.com/2022/12/whisper-czyli-robimy-z-gosu-tekst.html https://gadesound.blogspot.com/2023/01/k-whisper-poprawiam-skrypt.html Materiał o Speech Translate: https://gadesound.blogspot.com/2023/01/k-speech-translate-whisper-w-okienku.html
Model Medium też sobie nieźle całkiem radzi, dopiero przy modelu Small, czyli takim tym w środku, stawki, pojawiają się od czasu do czasu większe niedociągnięcia. Modele najprostsze, czyli Base i ten najmniejszy Tiny, dają transkrypcję czytelną, powiedzmy, w większości wypadków, ale jednak wymagającą poprawek. I to czasami większych, zwłaszcza przy tym najmniejszym modelu. Z tego względu w zasadzie wydaje mi się, że nie warto korzystać z tego najmniejszego modelu nazwanego Tiny, no bo faktycznie jakość transkrypcji zależy w nim w dużym stopniu chyba od szczęścia tak naprawdę, bo czasem jest znośnie, a czasem nie jest znośnie.
Model Base jest już używalny, chociaż liczba błędów niestety jest zauważalnie wyższa niż następny w kolejności modelu Small. Osobiście polecam korzystanie z modelu Large albo przynajmniej Medium, jeśli chcemy być zadowoleni i nie tracić wiele czasu na poprawkach. No ale tutaj wracamy do problemu wydajności. W zasadzie używalność Whispera czy Speech Translator zależy w bardzo dużym stopniu od mocy obliczeniowej naszego komputera. Ja mam 10-letni procesor Intel i5-3570K i 24 GB pamięci, więc jak na 10-letni procesor to nie jest jakoś bardzo źle, ale oceniam ten zestaw za wystarczający dla modelu Small.
To samo nagranie, o którym wspomniałem wcześniej, czyli ten 8-minutowy odcinek nr 49. Modelem Large procesuje się na karcie GeForce RTX 3060 z 12 GB pamięci w 3 minuty z małym haczykiem. Więc mamy 3 minuty kontra półtorej godziny. Myślę, że różnica jest kolosalna i łatwo zauważalna dla każdego chyba. Podkreślę jeszcze raz, że w tym wypadku istotna jest, bardzo istotna jest ilość pamięci na karcie graficznej, bo to od niej zależy, którego modelu będzie można użyć. Te najmniejsze modele Tiny i Base wymagają około 1 GB pamięci, model Small wymaga 2 GB pamięci, ale model Medium wymaga już 5 GB pamięci na karcie graficznej, zaś Large około 10 GB.
Pokazano wszystkie 3 dopasowania. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.
Podstawowe wprowadzenie do odcinka i omówienie tematu.
Opis potrzeby transkrypcji odcinków audio i jej korzyści.
Opis działania programu Whisper i jego modeli.
Opis projektu Speech Translate jako nakładki na Whisper.
Porównanie modeli Whispera i ich zalet oraz wad.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Kliknij, aby znaleźć fragmenty, w których pada.
Najbardziej przystępną wersję Whispera opisałem tutaj:
https://gadesound.blogspot.com/2023/04/whisperowa-transkrypcja-w-c.html
Materiały na temat Whispera na moim blogu:
https://gadesound.blogspot.com/2022/12/whisper-czyli-robimy-z-gosu-tekst.html
https://gadesound.blogspot.com/2023/01/k-whisper-poprawiam-skrypt.html
Materiał o Speech Translate:
https://gadesound.blogspot.com/2023/01/k-speech-translate-whisper-w-okienku.html