Whisper + NemoASR + ChatGPT 实现语言转文字、说话人识别、内容总结等功能 |
您所在的位置:网站首页 › 语音内容辨识技巧 › Whisper + NemoASR + ChatGPT 实现语言转文字、说话人识别、内容总结等功能 |
Index 引言 前期准备 运行 引言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。 前期准备GPU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 kintonekintone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: 名称字段类型code备注title单行文本框 title标题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。 运行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: 安装依赖这个部分负责安装所需的第三方库,这可能需要一些时间。 下载视频,或上传您自己的文件在这一步,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。 预处理工作目录中的最新音/视频文件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。 语音转录和对齐在这一步,语音将被转录成带有时间戳的文本,并使用Wav2Vec进行对齐。 说话人分类(Nemo分类)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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |