Olen varma, että sinulle on käynyt niin: sinulla on pitkä tallenne haastattelusta tai kurssista, ja ajatus sen litteroimisesta tuntuu valtavalta urakalta. Totuus on, että käsin kirjoitetun tekstin litterointi on todella työlästä ja valtava ajanhukkaa, varsinkin kun tavalliset ilmaiset työkalut sekoittuvat sanoihin tai keksivät tietoa, jota ei ole olemassa.
Tässä kohtaa Whisper astuu kuvaan, OpenAI:n luoma tekoälyvoimanpesä, joka on tullut mullistamaan pelin. Se ei ole vain yksi ohjelma lisää, vaan automaattinen puheentunnistusmalli (ASR) , joka analysoi ääntä hämmästyttävän tarkasti, jolloin voimme saada muokattavaa tekstiä muutamassa minuutissa ilman vaivaa.
Mikä Whisper tarkalleen ottaen on ja miten se toimii sisäisesti?
Yksinkertaisesti sanottuna Whisper on tekoälyjärjestelmä, joka on erityisesti suunniteltu muuntamaan puhetta tekstiksi. Toisin kuin muut usein epäonnistuvat ohjelmistot, tämä malli analysoi äänikuvioita, kontekstia ja puhujan ominaisuuksia ammattimaisen tuloksen saavuttamiseksi. Kolmasversiossaan sitä on koulutettu yli miljoonalla tunnilla ääntä, mikä ylittää reilusti edellisen version 3 680.000 tuntia, mikä on johtanut virheiden vähenemiseen 10–20 prosenttia.
Yksi hämmästyttävimmistä asioista on sen kyky käsitellä espanjaa, jossa sen virheprosentti on alle 5 % . Lisäksi se ei jää jälkeen muista kielistä; se pystyy litteroimaan yli 100 kieltä, mukaan lukien katalaani, baski, galicia, saksa, arabia ja japani, ja pystyy jopa havaitsemaan, milloin puhuja vaihtaa kieltä kesken lauseen.
Tekniset ominaisuudet ja monipuolisuus
Whisper ei ole suljettu sovellus, vaan pikemminkin kielimalli, joka toimii pohjana muille yrityksille omien työkalujen luomiseen API:n avulla. Sopeutuakseen mihin tahansa laitteistoon OpenAI on julkaissut sen eri kokoisina koneen ominaisuuksista riippuen . Saatavilla on kevyitä versioita, jotka vaativat alle 1 Gt VRAM-muistia ja joissa on 39 miljoonaa parametria, aina massiivisiin malleihin, joissa on 1.550 miljardia parametria ja jotka vaativat noin 10 Gt VRAM-muistia toimiakseen täydellä kapasiteetilla.
Toinen valtava etu on sen kyky tulkita keskustelun luonnollisia taukoja . Tämä tarkoittaa, että tekoäly tietää, mihin pilkku tai piste sijoitetaan puhujan hiljaisuuden perusteella, mikä säästää meiltä paljon editointityötä myöhemmin. Se on ihanteellinen kokousten, podcastien tai useiden osallistujien haastattelujen hallintaan, koska se tunnistaa ja erottelee puhujat automaattisesti.
Kuinka saada se käyttöön: teknisestä yksinkertaiseen
Jos olet tietokonevelho, voit mennä suoraan heidän GitHub-sivulleen, ladata avoimen lähdekoodin ja suorittaa sen paikallisesti koneellasi noudattaen teknisiä ohjeita. Tämä on hyvin samanlaista kuin tekoälyohjelmointiavustajasi asentaminen , sillä se vaatii edistynyttä tietämystä eikä ole aivan lastenleikkiä jollekulle, joka ei osaa ohjelmoida.
Jos et halua monimutkaistaa asioita, on olemassa paljon yksinkertaisempia vaihtoehtoja. Voit esimerkiksi käyttää Replicate-alustaa (replicate.com/openai/whisper) , jonka avulla voit ladata tiedostosi ja valita haluamasi malliversion (kuten v3) ilman, että sinun tarvitsee asentaa mitään tietokoneellesi. Tällä tavoin kuka tahansa voi hyödyntää tekoälyn voimaa ja saada muokattavan luonnoksen ennätysajassa.
Tällaisen työkalun pitäminen käsillä on helpotus, erityisesti toimittajille tai opiskelijoille, jotka ennen viettivät tuntikausia kuunnellen samaa äänileikettä. Nyt kun ääntä voidaan käsitellä reaaliajassa ja lähes kirurgin tarkkuudella , litterointi on muuttunut työläästä tehtävästä automaattiseksi ja tehokkaaksi prosessiksi, jonka avulla voimme keskittyä olennaiseen: sisällön analysointiin.