Champion63 pisze: ↑

16 godz. temu

Da się zrobić jakimś programem transkrypt danej piosenki, tak by można było wrzucić jej treść na forum?

Jeśli chcesz zrobić transkrypcję audio z wideo/dźwięku to jest to możliwe, ale w przypadku piosenki wyjdzie to słabo/średnio, do tego dodając ze jest tutaj język polski to też wyszłoby to średnio (angielski ma o wiele lepsze i bardziej rozbudowane modele AI do takiej transkrypcji, ale to raczej oczywiste) więc wychodziłoby nam tutaj równanie średnio/słabo * średnio = słabo, ale jako ciekawostkę powiem jak tworzyć transkrypcję z audio na komputerze z Windowsem przy użyciu Whispera (model sztucznej inteligencji od OpenAI do rozpoznawania mowy).

Ja do tego używam odtwarzacza PotPlayer, bo ma on to wbudowane, można pobrać ze sklepu Microsoftu, wingeta: w Powershellu,
albo ze strony producenta: https://potplayer.daum.net/
Chyba potrzebna jest wersja 64 bitowa do Whispera, bo miałem problemy z uruchomieniem tego na tablecie z 32 bitowym windowsem 8, ale więcej nie próbowałem, na Windows 11 (który nie ma wersji 32 bitowej w ogóle) działa.

Następnie musisz pobrać film/samo audio i uruchomić przez potplayera i klikasz prawym przyciskiem myszki tak jak ja tutaj i będziesz miał możliwość pobrania modelu AI:
Później musisz wybrać model, którego chcesz użyć, ja nie mam karty graficznej i mam 6 rdzeniowy procesor (12 wątków), więc ustawiam to tak:
-Whisper.CPU - typowo zoptymalizowany pod procesor
I w parametrach wpisuję sobie: - żeby uzyć wszystkich 12 wątków procesora - raczej to w tym przypadku nic nie robi, ale ogólnie ten parametr wyłącza GPU (procesor graficzny) z użycia.
Modele, no tutaj im wyżej tym lepiej, ale też większe obciążenie dla CPU/GPU i większe zużycie RAMu, a w przypadku karty graficznej vRAM.

Dla tych parametrów po upływie około 1 min. 20 sek. w przypadku mojego procesora będziemy mieli transkrypcję tego:
Teraz można zapisać napisy do pliku w ten sposób:
Ale jak mówię, dla języka polskiego i w przypadku muzyki to wypada raczej słabo, tutaj to co mi wyszło z tego wszystkiego:



Natomiast Ty bardziej tutaj potrzebujesz OCRa, bo tekst jest na youtubie, więc w przypadku nowego Windowsa 11 masz to wbudowane w narzedzie wycinanie, więc wystarczy zrobić screena (printscreen na klawiaturze, albo kombinacja klawiszy Windows+Shift+S) i wybierasz obszar ekranu gdzie chcesz zrobić screena tak:
I jak klikniesz to co zaznaczyłem na pomarańczowo to narzędzie odczyta Ci tekst jaki jest w stanie ze screena, czyli w tym przypadku:
I sobie możesz to skopiować.


A ogólnie to jak mówię transkrypcja z dźwięku ma większy sens w przypadku normalnych filmów... w sumie ten post można by na osobny poradnik przerobić, bo mi to tu nawet wyszło xd