(base) C:\Users\mateu>whisper audio.wav Traceback (most recent call last): File "C:\Users\mateu\anaconda3\lib\runpy.py", line 197, in _run_module_as_main return _run_code(code, main_globals, None, File "C:\Users\mateu\anaconda3\lib\runpy.py", line 87, in _run_code exec(code, run_globals) File "C:\Users\mateu\anaconda3\Scripts\whisper.exe\__main__.py", line 7, in File "C:\Users\mateu\anaconda3\lib\site-packages\whisper\transcribe.py", line 307, in cli result = transcribe(model, audio_path, temperature=temperature, **args) File "C:\Users\mateu\anaconda3\lib\site-packages\whisper\transcribe.py", line 84, in transcribe mel = log_mel_spectrogram(audio) File "C:\Users\mateu\anaconda3\lib\site-packages\whisper\audio.py", line 111, in log_mel_spectrogram audio = load_audio(audio) File "C:\Users\mateu\anaconda3\lib\site-packages\whisper\audio.py", line 42, in load_audio ffmpeg.input(file, threads=0) File "C:\Users\mateu\anaconda3\lib\site-packages\ffmpeg\_run.py", line 313, in run process = run_async( File "C:\Users\mateu\anaconda3\lib\site-packages\ffmpeg\_run.py", line 284, in run_async return subprocess.Popen( File "C:\Users\mateu\anaconda3\lib\subprocess.py", line 951, in __init__ self._execute_child(args, executable, preexec_fn, close_fds, File "C:\Users\mateu\anaconda3\lib\subprocess.py", line 1420, in _execute_child hp, ht, pid, tid = _winapi.CreateProcess(executable, args, FileNotFoundError: [WinError 2] Nie można odnaleźć określonego pliku
Sygnatura – Uczcij poległych i cierpiących ocalałych ciężką pracą, ponieważ porażka zawsze może się zdarzyć, jednak nigdy nie staraj się udawać, że jesteś doskonały, ponieważ prowadzi to do gorszego końca niż porażka, wiedzie na ścieżkę hańby i nikczemności.
Sygnatura – Uczcij poległych i cierpiących ocalałych ciężką pracą, ponieważ porażka zawsze może się zdarzyć, jednak nigdy nie staraj się udawać, że jesteś doskonały, ponieważ prowadzi to do gorszego końca niż porażka, wiedzie na ścieżkę hańby i nikczemności.
Dzięki. Teraz masa pytań. 1. Jak zrobic, żeby on nie uwzględniał domyślnych opcji, na przykład żeby nie tłumaczył jakichś źle przetranskrybowanych słów siłą na angielski? 2. Jak deklarować mu modele do użycia, tj. gdzie je umieścić i jak je nazywać żeby wiadomo było o co kaman? 3. Jakie powinno być przeciętne usage ze skonfigurowanymi opcjami, żeby było fajnie, tj. raczej większa dokładność niż mniejsza, ale co by się komp nie spalił?
1. Jak zrobic, żeby on nie uwzględniał domyślnych opcji, na przykład żeby nie tłumaczył jakichś źle przetranskrybowanych słów siłą na angielski? To jest niestety słabość modelu, to samo masz w zwykłym whisperze.
2. Jak deklarować mu modele do użycia, tj. gdzie je umieścić i jak je nazywać żeby wiadomo było o co kaman? Wszystkie modele są na stronie https://ggml.ggerganov.com/ te pliki nazywają się we wzorcu ggml-model-whisper-blablabla.bin. Wystarczy pobrać je, gdziekolwiek zapisać i przekazać jako parametr -m, np. whisper.cpp -m ggml-model-base.bin plik.wav
Ważna uwaga, whisper.cpp potrafi pracować tylko z plikami wave mono s16le 16kHz, więc najpierw trzeba je do takiego formatu skonwertować. Ze względu na rozmiar, obsługa innych kodeków została usunięta. Whisper zwykły też pracuje z takim audio, ale wewnętrznie po prostu wszystko na nie konwertuje.
3. Jakie powinno być przeciętne usage ze skonfigurowanymi opcjami, żeby było fajnie, tj. raczej większa dokładność niż mniejsza, ale co by się komp nie spalił? Domyślne ustawienia są dobre, trzeba tylko dobrać ilość wątków, domyślnie 4. Ja proponuję ustawić o 1 lub 2 mniej, niż ilość rdzeni logicznych, tak co by działało, ale nie zwiesiło całego komputera.
#StandWithUkraine
Shoot for the Moon. Even if you miss, you'll land among the stars.
Kuźwa, jestem w 17 minucie transkrybowania largem pliku 40 minutowego i transkrypcja właśnie osiągnęła 4 minutę. Szczerze spodziewałam się lepszych wyników na tym moim kompie.
Załadował sobie sporo do ramu, konkretnie ze 3gb, po czym zaczął ciąć NVDA jakby faktycznie procesor miał co robić, ale wiatraczki chodziły tylko przez chwilę, chociaż zużycie cpu pokazywało koło 40%. Potrzymałem go niecałą godzinę i odpuściłem bez rezultatów. Coś tu chyba nie bangla.
