引言

前期准备

运行

2023年，IT领域的焦点无疑是ChatGPT，然而，同属OpenAI的开源产品Whisper似乎鲜少引起足够的注意。

Whisper是一款自动语音识别系统，可以识别来自99种不同语言的语音并将其转录为文字。

如果说ChatGPT为计算机赋予了大脑，那么Whisper则为其赋予了耳朵。

想象一下，在企业应用领域，我们能够利用Whisper将语音转化为文字，然后再借助ChatGPT来进行翻译或总结。

接下来，我们将以实际操作为出发点，逐步向您介绍如何利用AI实现音频、视频的内容总结。

首先，我们需要解决硬件方面的问题。

虽然OpenAI提供了HTTP API来调用Whisper，但对于企业而言，将内部内容交给OpenAI始终存在一定的安全风险。

本地运行AI模型则需要大量的计算资源。

如果仅使用CPU进行计算，一个大约10分钟的语音转录任务可能需要花费4倍以上的时间。

因此，我们必须引入GPU进行计算加速。

考虑到Colab在国内无法访问，我们建议在Kaggle上运行演示。

请大家注册Kaggle账户，并完成手机号验证（Kaggle的GPU需要完成手机号验证后才能使用）。

ChatGPT是我们语音内容总结的核心工具。

我们建议使用Azure OpenAI服务。

您可以参考以下文章来申请：Azure OpenAI Service申请教程

kintone是我们用来存储记录的平台。我们需要创建一个名为“Reports”的应用程序（APP），并定义以下表单字段：

单行文本框

summary

多行文本框

summary

总结

最后，我们需要发布一个具有添加记录权限的API令牌，以便将记录存储到kintone中。

您可以在这里找到演示代码：

https://github.com/kintone-samples/SAMPLE-kintone-narrator-cn

点击“open in kaggle”。

请按照以下步骤操作：

1.点击Edit，进入编辑状态

2.在右侧的Notebook options中，我们需要将Acceleator选为GPU T4*2

注：

没验证手机的账户不会显示Acceleator选项。

GPU P100不支持当前默认float16运算，选择该显卡的用户请将“语音转录&对齐”中的compute_type设为float32。

TPU尚未测试支持。

3.找到名为“Azure OpanAI ChatGPT 总结”和“将总结内容上传”的代码单元（cell），然后根据您自己的环境设置进行配置。

4.点击页面上方的“Run All”按钮以开始运行演示。

等待程序运行结束即可。

下面我将对会每个代码单元的功能进行简要说明，感兴趣的可以继续往下研究：

这个部分负责安装所需的第三方库，这可能需要一些时间。

在这一步，您可以选择默认的YouTube上的kintone宣传案例视频，

或者更改URL以使用其他视频，

也可以上传您自己的音/视频文件到相应的工作目录。

此步骤将提取工作目录中最新的.mp4或.wav文件，

将人声从背景音中分离出来，并将音频采样率转换为16000Hz。

在这一步，语音将被转录成带有时间戳的文本，并使用Wav2Vec进行对齐。

这一步是说话人分类，根据语音特征将不同时间段的语音进行分类。

通常有两个常用工具，即PyAnnote和Nvidia的Nemo。

在本演示中，我们选择了Nvidia的Nemo ASR来进行分类，因为它具有