Siguran sam da vam se to već desilo: imate dugi snimak intervjua ili časa, i sama pomisao na transkribovanje svega izgleda kao ogroman poduhvat. Istina je da je transkripcija rukom napisanog prava muka i ogromno gubljenje vremena, posebno kada se uobičajeni besplatni alati pomiješaju s riječima ili izmisle podatke koji ne postoje.
Tu nastupa Whisper, AI elektrana koju je kreirao OpenAI i koja je tu da promijeni pravila igre. To nije samo još jedan program, već model automatskog prepoznavanja govora (ASR) koji analizira zvuk sa zapanjujućom tačnošću, omogućavajući nam da dobijemo tekst koji se može uređivati za nekoliko minuta bez ikakvih problema.
Šta je tačno Whisper i kako funkcioniše interno?
Jednostavno rečeno, Whisper je AI sistem posebno dizajniran za pretvaranje govora u tekst. Za razliku od drugih softvera koji često ne uspijevaju, ovaj model analizira audio obrasce, kontekst i karakteristike govornika kako bi pružio profesionalni rezultat. U svojoj v3 verziji, obučen je na preko milion sati zvuka, što daleko nadmašuje 680.000 sati prethodne verzije, što je rezultiralo smanjenjem grešaka za 10% do 20%.
Jedna od najnevjerovatnijih stvari je njegova sposobnost rukovanja španskim jezikom, gdje ima stopu grešaka manju od 5% . Štaviše, ne zaostaje ni sa drugim jezicima; može transkribovati više od 100 jezika, uključujući katalonski, baskijski, galicijski, njemački, arapski i japanski, pa čak može i detektovati kada govornik promijeni jezik usred rečenice.
Tehničke karakteristike i svestranost
Whisper nije zatvorena aplikacija, već jezički model koji služi kao osnova drugim kompanijama za kreiranje vlastitih alata pomoću API-ja. Kako bi se prilagodio bilo kojem hardveru, OpenAI ga je objavio u različitim veličinama, ovisno o mogućnostima mašine . Postoje lagane verzije koje zahtijevaju manje od 1 GB VRAM-a i imaju 39 miliona parametara, pa sve do masivnih modela sa 1.550 milijardi parametara kojima je potrebno oko 10 GB VRAM-a za rad punim kapacitetom.
Još jedna ogromna prednost je njegova sposobnost interpretiranja prirodnih pauza u razgovoru. To znači da vještačka inteligencija zna gdje staviti zarez ili tačku na osnovu tišine govornika, što nam kasnije štedi mnogo posla uređivanja. Idealan je za upravljanje sastancima, podcastima ili intervjuima s više učesnika, jer automatski identificira i odvaja govornike.
Kako ga pokrenuti i pokrenuti: od tehničkog do jednostavnog
Ako ste računarski genijalac, možete direktno otići na njihovu GitHub stranicu, preuzeti otvoreni kod i pokrenuti ga lokalno na svom računaru slijedeći tehnička uputstva. Ovo je vrlo slično postavljanju AI programskog asistenta , jer zahtijeva napredno znanje i nije baš lagan zadatak za nekoga ko ne zna programirati.
Ako ne želite komplikovati stvari, postoje mnogo jednostavnije alternative. Na primjer, možete koristiti platformu Replicate (replicate.com/openai/whisper) , koja vam omogućava da otpremite svoje datoteke i odaberete koju verziju modela želite koristiti (kao što je v3) bez potrebe za instaliranjem bilo čega na računar. Na ovaj način, svako može iskoristiti snagu umjetne inteligencije kako bi dobio nacrt koji se može uređivati u rekordnom roku.
Imati ovakav alat pri ruci predstavlja olakšanje, posebno za novinare ili studente koji su ranije provodili sate slušajući isti audio zapis. Sada, uz mogućnost obrade glasa u realnom vremenu i sa gotovo hirurškom preciznošću , transkripcija je od zamornog zadatka postala automatski i efikasan proces koji nam omogućava da se fokusiramo na ono što je važno: analizu sadržaja.