Sigurado akong nangyari na ito sa iyo: mayroon kang mahabang recording ng isang panayam o isang klase, at ang pag-iisip na i-transcribe ang lahat ng ito ay tila isang napakalaking gawain. Ang totoo, ang transkripsyon ng sulat-kamay ay isang tunay na nakakabagot at isang napakalaking pag-aaksaya ng oras, lalo na kapag ang mga karaniwang libreng tool ay nalilito sa mga salita o nag-iimbento ng datos na wala naman talaga.
Dito pumapasok ang Whisper, isang makapangyarihang AI na nilikha ng OpenAI na handang baguhin ang sitwasyon. Hindi lamang ito basta programa, kundi isang modelo ng automatic speech recognition (ASR) na sumusuri ng tunog nang may kamangha-manghang katumpakan, na nagbibigay-daan sa atin na makakuha ng tekstong maaaring i-edit sa loob lamang ng ilang minuto nang walang anumang abala.
Ano nga ba ang Whisper at paano ito gumagana sa loob nito?
Sa madaling salita, ang Whisper ay isang AI system na partikular na idinisenyo upang i-convert ang pagsasalita sa teksto. Hindi tulad ng ibang software na madalas na nabibigo, sinusuri ng modelong ito ang mga pattern ng audio, konteksto, at mga katangian ng tagapagsalita upang makapaghatid ng isang propesyonal na resulta. Sa v3 na bersyon nito, sinanay ito sa mahigit isang milyong oras ng audio, na higit na nalampasan ang 680.000 oras ng nakaraang bersyon, na nagresulta sa 10% hanggang 20% na pagbawas sa mga error.
Isa sa mga pinakakahanga-hangang bagay ay ang kakayahan nitong gamitin ang Espanyol, kung saan mayroon itong error rate na mas mababa sa 5% . Bukod pa rito, hindi ito nahuhuli sa ibang mga wika; kaya nitong isalin ang mahigit 100 wika, kabilang ang Catalan, Basque, Galician, German, Arabic, at Japanese, at kaya pa nga nitong matukoy kung kailan nagpapalit ng wika ang nagsasalita sa kalagitnaan ng pangungusap.
Mga teknikal na katangian at kakayahang umangkop
Ang Whisper ay hindi isang saradong aplikasyon, kundi isang modelo ng wika na nagsisilbing pundasyon para sa ibang mga kumpanya upang lumikha ng sarili nilang mga tool gamit ang isang API. Upang umangkop sa anumang hardware, inilabas ito ng OpenAI sa iba't ibang laki depende sa kakayahan ng makina . May mga magaan na bersyon na nangangailangan ng mas mababa sa 1 GB ng VRAM at may 39 milyong parameter, hanggang sa malalaking modelo na may 1.550 bilyong parameter na nangangailangan ng humigit-kumulang 10 GB ng VRAM upang tumakbo sa buong kapasidad.
Isa pang malaking bentahe ay ang kakayahang bigyang-kahulugan ang mga natural na paghinto sa isang pag-uusap. Nangangahulugan ito na alam ng AI kung saan ilalagay ang kuwit o tuldok batay sa katahimikan ng nagsasalita, na nakakatipid sa atin ng maraming trabaho sa pag-eedit sa hinaharap. Ito ay mainam para sa pamamahala ng mga pagpupulong, podcast, o mga panayam sa maraming kalahok, dahil awtomatiko nitong tinutukoy at pinaghihiwalay ang mga nagsasalita.
Paano ito patakbuhin: mula sa teknikal hanggang sa simple
Kung ikaw ay isang dalubhasa sa computer, maaari kang direktang pumunta sa kanilang pahina ng GitHub, i-download ang open-source code, at patakbuhin ito nang lokal sa iyong makina nang sinusunod ang mga teknikal na tagubilin. Ito ay halos kapareho ng pag-set up ng isang AI programming assistant , dahil nangangailangan ito ng advanced na kaalaman at hindi ganoon kadali para sa isang taong hindi marunong magprogram.
Kung ayaw mong gawing kumplikado ang mga bagay-bagay, may mas simpleng mga alternatibo. Halimbawa, maaari mong gamitin ang Replicate platform (replicate.com/openai/whisper) , na nagbibigay-daan sa iyong i-upload ang iyong mga file at piliin kung aling bersyon ng modelo ang gusto mong gamitin (tulad ng v3) nang hindi kinakailangang mag-install ng kahit ano sa iyong computer. Sa ganitong paraan, maaaring gamitin ng sinuman ang kapangyarihan ng AI upang makakuha ng isang editable draft sa mabilis na oras.
Nakakagaan ng loob ang pagkakaroon ng ganitong kagamitan, lalo na para sa mga mamamahayag o estudyante na dating gumugugol ng maraming oras sa pakikinig sa iisang audio clip. Ngayon, dahil sa kakayahang iproseso ang boses nang real time at halos kasing-tumpak ng operasyon , ang transkripsyon ay naging awtomatiko at mahusay na proseso na nagbibigay-daan sa atin na magtuon sa kung ano ang mahalaga: ang pagsusuri ng nilalaman.