Biztos vagyok benne, hogy veled is megtörtént már: van egy hosszú felvételed egy interjúról vagy egy óráról, és az egész lejegyzésének gondolata hatalmas vállalkozásnak tűnik. Az igazság az, hogy a kézírásos átírás igazi nyűg és hatalmas időpocsékolás, különösen akkor, ha a szokásos ingyenes eszközök összekeverednek a szavakkal, vagy olyan adatokat találnak ki, amelyek nem léteznek.
Itt jön a képbe a Whisper, az OpenAI által létrehozott mesterséges intelligencia erőmű, amely megváltoztatja a játékszabályokat. Nem csupán egy újabb program, hanem egy automatikus beszédfelismerő (ASR) modell , amely lenyűgöző pontossággal elemzi a hangot, lehetővé téve számunkra, hogy percek alatt, gond nélkül szerkeszthető szöveghez jussunk.
Mi is pontosan a Whisper, és hogyan működik belül?
Egyszerűen fogalmazva, a Whisper egy mesterséges intelligencia alapú rendszer, amelyet kifejezetten a beszéd szöveggé alakítására terveztek. Más, gyakran hibás szoftverekkel ellentétben ez a modell elemzi a hangmintákat, a kontextust és a beszélő jellemzőit, hogy professzionális eredményt nyújtson. A v3-as verziójában több mint egymillió órányi hanganyagon képezték ki, ami messze meghaladja az előző verzió 680 000 óráját, ami a hibák 10-20%-os csökkenését eredményezte.
Az egyik legelképesztőbb dolog a spanyol nyelv kezelése, ahol a hibaszázaléka kevesebb, mint 5% . Továbbá, nem marad el más nyelvektől sem; több mint 100 nyelv átírására képes, beleértve a katalánt, a baszkot, a galíciai, a németet, az arabot és a japánt, sőt azt is képes érzékelni, ha a beszélő mondat közben nyelvet vált.
Műszaki jellemzők és sokoldalúság
A Whisper nem egy zárt alkalmazás, hanem egy nyelvi modell, amely alapul szolgál más vállalatok számára saját eszközök létrehozásához API-k segítségével. Annak érdekében, hogy bármilyen hardverhez alkalmazkodjon, az OpenAI különböző méretekben adta ki, a gép képességeitől függően . Léteznek könnyűsúlyú verziók, amelyek kevesebb, mint 1 GB VRAM-ot igényelnek, és 39 millió paraméterrel rendelkeznek, egészen a hatalmas, 1.550 milliárd paraméterrel rendelkező modellekig, amelyeknek körülbelül 10 GB VRAM szükséges a teljes kapacitású működéshez.
Egy másik hatalmas előnye, hogy képes értelmezni a beszélgetések természetes szüneteit . Ez azt jelenti, hogy a mesterséges intelligencia a beszélő hallgatása alapján tudja, hová kell tenni a vesszőt vagy a pontot, ami később rengeteg szerkesztési munkát megspórol nekünk. Ideális megbeszélések, podcastok vagy több résztvevős interjúk kezeléséhez, mivel automatikusan azonosítja és elválasztja a beszélőket.
Hogyan kell üzembe helyezni: a technikaitól az egyszerűig
Ha igazi számítógép-zseni vagy, közvetlenül a GitHub oldalukra mehetsz, letöltheted a nyílt forráskódú kódot, és a technikai utasításokat követve lokálisan futtathatod a gépeden . Ez nagyon hasonlít egy mesterséges intelligencia alapú programozó asszisztens beállításához , mivel haladó ismereteket igényel, és nem éppen könnyű feladat annak, aki nem tud programozni.
Ha nem szeretnéd túlbonyolítani a dolgokat, sokkal egyszerűbb alternatívák is vannak. Használhatod például a Replicate platformot (replicate.com/openai/whisper) , amely lehetővé teszi a fájlok feltöltését és a modell kívánt verziójának (például a v3) kiválasztását anélkül, hogy bármit is telepítened kellene a számítógépedre. Így bárki kihasználhatja a mesterséges intelligencia erejét, hogy rekordidő alatt szerkeszthető vázlatot kapjon.
Egy ilyen eszköz kéznél tartása megkönnyebbülést jelent, különösen az újságírók vagy a diákok számára, akik korábban órákat töltöttek ugyanazon hangfelvétel hallgatásával. Most, hogy a hang valós időben és szinte sebészi pontossággal dolgozható fel , az átírás a fárasztó feladatból automatikus és hatékony folyamattá vált, amely lehetővé teszi számunkra, hogy a lényegre koncentráljunk: a tartalom elemzésére.