Как быстро настроить транскрибацию речи из видео с помощью Whisper
В статье на Habr AI показан простой пошаговый гайд по использованию Whisper от OpenAI для преобразования аудио‑ и видеодорожек в текст без сложных настроек.
OpenAI Whisper — открытая нейросетевая система распознавания речи, обученная на 680 000 часов многоязычного аудио. Статья на Habr AI «Распознаем речь из видео(аудио) в текст. Короткая инструкция по транскрибации для чайников» предлагает практический, пошаговый подход к запуску Whisper локально и в облаке.
Что нужно:
- Python 3.8+, pip;
- GPU (рекомендовано, но есть CPU‑режим);
- ffmpeg для извлечения аудио из видео.
Краткий план:
- Установить пакет
openai-whisper(pip install -U openai-whisper). - С помощью
ffmpeg -i input.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wavизвлечь моно‑аудио с 16 kHz. - Запустить модель:
whisper audio.wav --model medium --language ru --output_format txt. - Получить готовый текстовый файл, при необходимости отредактировать.
Ключевые факты:
- Whisper поддерживает более 90 языков, включая русский, без необходимости отдельного обучения.
- Модели делятся на
tiny,base,small,medium,large;mediumдаёт хороший баланс точности и скорости. - Проект полностью открытый, код доступен на GitHub, что упрощает интеграцию в собственные пайплайны.
Ссылка на оригинал: https://habr.com/ru/articles/1063120/
Эта инструкция позволяет быстро добавить функцию автоматической транскрибации в любые проекты — от подкастов до аналитики видеоконтента.
Whisper стал доступным инструментом даже для новичков, что открывает двери к автоматизации обработки аудио‑контента без дорогостоящих сервисов. Для разработчиков это шанс быстро прототипировать функции субтитрирования и поисковой индексации, однако без GPU процесс может быть медленным, поэтому стоит оценить ресурсы перед масштабированием.
