Είμαι σίγουρος ότι σας έχει συμβεί: έχετε μια μεγάλη ηχογράφηση μιας συνέντευξης ή ενός μαθήματος και η σκέψη της μεταγραφής όλης της γραφής σας φαίνεται σαν μια τεράστια επιχείρηση. Η αλήθεια είναι ότι η μεταγραφή χειρόγραφου κειμένου είναι μια πραγματική κουραστική διαδικασία και μια τεράστια σπατάλη χρόνου, ειδικά όταν τα συνηθισμένα δωρεάν εργαλεία μπερδεύονται με λέξεις ή εφευρίσκουν δεδομένα που δεν υπάρχουν.
Εδώ έρχεται το Whisper, μια δύναμη τεχνητής νοημοσύνης που δημιουργήθηκε από την OpenAI και ήρθε για να αλλάξει τα δεδομένα. Δεν είναι απλώς ένα ακόμη πρόγραμμα, αλλά ένα μοντέλο αυτόματης αναγνώρισης ομιλίας (ASR) που αναλύει τον ήχο με εκπληκτική ακρίβεια, επιτρέποντάς μας να λαμβάνουμε επεξεργάσιμο κείμενο σε λίγα λεπτά χωρίς καμία ταλαιπωρία.
Τι ακριβώς είναι το Whisper και πώς λειτουργεί εσωτερικά;
Με απλά λόγια, το Whisper είναι ένα σύστημα τεχνητής νοημοσύνης ειδικά σχεδιασμένο για τη μετατροπή ομιλίας σε κείμενο. Σε αντίθεση με άλλα λογισμικά που συχνά αποτυγχάνουν, αυτό το μοντέλο αναλύει τα ηχητικά μοτίβα, το περιβάλλον και τα χαρακτηριστικά του ομιλητή για να προσφέρει ένα επαγγελματικό αποτέλεσμα. Στην έκδοση v3, έχει εκπαιδευτεί σε πάνω από ένα εκατομμύριο ώρες ήχου, ξεπερνώντας κατά πολύ τις 680.000 ώρες της προηγούμενης έκδοσης, γεγονός που έχει οδηγήσει σε μείωση των σφαλμάτων κατά 10% έως 20%.
Ένα από τα πιο εκπληκτικά πράγματα είναι η ικανότητά του να χειρίζεται ισπανικά, όπου έχει ποσοστό σφάλματος μικρότερο από 5% . Επιπλέον, δεν υστερεί σε σχέση με άλλες γλώσσες. Μπορεί να μεταγράψει περισσότερες από 100 γλώσσες, συμπεριλαμβανομένων των καταλανικών, των βασκικών, των γαλικιανών, των γερμανικών, των αραβικών και των ιαπωνικών, και μπορεί ακόμη και να ανιχνεύσει πότε ο ομιλητής αλλάζει γλώσσα στη μέση της πρότασης.
Τεχνικά χαρακτηριστικά και ευελιξία
Το Whisper δεν είναι μια κλειστή εφαρμογή, αλλά μάλλον ένα μοντέλο γλώσσας που χρησιμεύει ως βάση για άλλες εταιρείες ώστε να δημιουργήσουν τα δικά τους εργαλεία χρησιμοποιώντας ένα API. Για να προσαρμοστεί σε οποιοδήποτε υλικό, το OpenAI το έχει κυκλοφορήσει σε διάφορα μεγέθη ανάλογα με τις δυνατότητες του μηχανήματος . Υπάρχουν ελαφριές εκδόσεις που απαιτούν λιγότερο από 1 GB VRAM και έχουν 39 εκατομμύρια παραμέτρους, έως και τεράστια μοντέλα με 1.550 δισεκατομμύρια παραμέτρους που απαιτούν περίπου 10 GB VRAM για να λειτουργήσουν σε πλήρη χωρητικότητα.
Ένα άλλο τεράστιο πλεονέκτημα είναι η ικανότητά του να ερμηνεύει τις φυσικές παύσεις σε μια συζήτηση. Αυτό σημαίνει ότι η Τεχνητή Νοημοσύνη γνωρίζει πού να τοποθετήσει ένα κόμμα ή μια τελεία με βάση τη σιωπή του ομιλητή, γλιτώνοντάς μας από ένα σωρό επεξεργασία αργότερα. Είναι ιδανικό για τη διαχείριση συσκέψεων, podcast ή συνεντεύξεων με πολλούς συμμετέχοντες, καθώς αναγνωρίζει και διαχωρίζει αυτόματα τους ομιλητές.
Πώς να το θέσετε σε λειτουργία: από το τεχνικό στο απλό
Αν είστε λάτρης των υπολογιστών, μπορείτε να μεταβείτε απευθείας στη σελίδα τους στο GitHub, να κατεβάσετε τον κώδικα ανοιχτού κώδικα και να τον εκτελέσετε τοπικά στον υπολογιστή σας ακολουθώντας τις τεχνικές οδηγίες. Αυτό είναι πολύ παρόμοιο με τη δημιουργία ενός βοηθού προγραμματισμού τεχνητής νοημοσύνης , καθώς απαιτεί προηγμένες γνώσεις και δεν είναι ακριβώς εύκολη υπόθεση για κάποιον που δεν ξέρει πώς να προγραμματίζει.
Αν δεν θέλετε να περιπλέξετε τα πράγματα, υπάρχουν πολύ πιο απλές εναλλακτικές λύσεις. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε την πλατφόρμα Replicate (replicate.com/openai/whisper) , η οποία σας επιτρέπει να ανεβάσετε τα αρχεία σας και να επιλέξετε ποια έκδοση του μοντέλου θέλετε να χρησιμοποιήσετε (όπως η έκδοση v3) χωρίς να χρειάζεται να εγκαταστήσετε τίποτα στον υπολογιστή σας. Με αυτόν τον τρόπο, ο καθένας μπορεί να αξιοποιήσει τη δύναμη της Τεχνητής Νοημοσύνης για να αποκτήσει ένα επεξεργάσιμο προσχέδιο σε χρόνο ρεκόρ.
Το να έχουν ένα τέτοιο εργαλείο στο χέρι είναι μια ανακούφιση, ειδικά για δημοσιογράφους ή φοιτητές που παλιά περνούσαν ώρες ακούγοντας το ίδιο ηχητικό απόσπασμα. Τώρα, με τη δυνατότητα επεξεργασίας φωνής σε πραγματικό χρόνο και με σχεδόν χειρουργική ακρίβεια , η μεταγραφή έχει μετατραπεί από μια κουραστική εργασία σε μια αυτόματη και αποτελεσματική διαδικασία που μας επιτρέπει να επικεντρωθούμε σε αυτό που είναι σημαντικό: την ανάλυση του περιεχομένου.