Whisper czyli nowe fajne do rozpoznawania mowy

sprubowałem zrobić sobie z tego skrypt, na dysku C mam folder Whisper, w nim folder Robota i plik .bat z treścią twego wpisu. Dopisałem jedynie language pl, model i task. Nie działa.

Zostaw to task, wpisz samo --language pl i wsio.

nie działa. wklejam to, co mam w pliku.bat:

for %%a in (Robota\*.*) do (whisper "%%a" --language pl --model medium)

A piosenki mają melodię, churki i wiele innych zabiegów, przez które AI szaleje.
-- (mateponczas):
Ja rozumiem, ale są takie języki, gdzie, szczególnie w mowie potocznej, głoski są ucinane. Przecież nikt nie będzie się wysilał i mówił hiperpoprawnie tylko po to, by ulżyć temu narzędziu

--

Ale mi nie chodzi o piosenki. Przykładem niech będzieszwedzki, gdzie nie zawsze fonetyka jest zgodna z pismem, no i klapa.

Ale cośkolwiek się wyświetla?

Nie. Terminal na moment, i znika.

Ale katalog robota w ogóle istnieje gdzie masz ten plik bat i na pewno niejest pusty?

jeśli jest pusty, znaczy, jeśli istnieje i ten plik bat gdzieś masz to jeszcze musisz tam ffmpeg.exe jak nie masz w wavach.

Dobra, przesyłam Wam podcast OKO.Press wraz z jego transkrybcją. Jest lepiej zdecydowanie, ale wciąż są błędy.
https://oko.press/dps-w-jordanowie-dlaczego-przez-tyle-lat-znecano-sie-tam-nad-dziecmi/

Z tym jest jak z OCR. Bez błędów nigdy raczej nie będzie, ale pytanie, czy jest wystarczająco dla konkretnego celu.

No i pamiętajcie, że cały czas te algorytmy się poprawiają, więc jak nie teraz, to za 5 czy 10 lat będzie wystarczająco.

Czy z każdym poprawionym tekstem narzędzie jest lepsze? Chyba to tak nie idzie, bo nie jest to narzędzie chmurowe.

Nie, bo modele są statyczne. To nie jest samoorganizująca się sieć neuronowa.

A nawet jeśli to jeden teskt nie zmieniłby zbyt wiele, bo tam ponoć już ponad pół miliona godzin weszło.

Dlatego modele oparte na chmurze i samouczeniu się zawsze będą miały przewagę.

Tak i nie. Np. w Eltenie nigdy nie moglibyśmy rozważyć wykorzystania Amazonu do transkrypcji wiadomości głosowych, kwestia prywatności.
W Eltenie też to odpada z powodu zasobów, ale już jest hipotetycznie możliwe.

I to nie jest wydumany przypadek, bo śledzę dyskusję na temat Whispera i interesuje on właśnie także programistów platform, które ze względu na prywatność użytkowników nie korzystają z chmury.

No ale np taki tacotron jest narzędziem do czego innego, ale im więcej mu materiału wrzucisz tym lepiej sobie potem poradzi.

Owszem, ale zakładając, że ten tacotron ma już 30 godzin materiału to minuta w tę czy we w tę nie robi różnicy. Dlatego pisałem, że w momencie, gdy tych godzin Whisper dostał ponoć ponad pół miliona to trzeba byłoby na prawdę dużo żeby była jakaś znacząca różnica zwłaszcza, że od pewnego momentu ten skok jakościowy jest niewielki i coraz więcej trzeba danych żeby coś się poprawiło. Podobnie jest z RHvoice. Różnica między 60 a 180 zdań jest ogromna. Między 180 zdań, a 600 zdań jest zauważalna, a między 600 a 1800 to już dopinanie ostatnich błędów i kosmetyczne poprawki.

Tylko tomecki zauważ jedną rzecz:
RHVoice pomiędzy 600 i 1800 znaków to są istotne kosmetyczne poprawki, bo ewentualne łamanie syntezy, dopieszczanie różnych współgłosek, więc nie byłbym taki pewny.