Головна Спільнота

Як ШІ конвертує голос у текст: огляд сервісу Buzz

3 хвилин читання

Транскрибування аудіо у тексти — біль. Усі, хто хоч раз стикався з цим завданням, знають, що воно нудне, монотонне і займає багато часу. Тому краще довірити його штучному інтелекту, тим паче він це готовий робити безоплатно.

Матеріал підготовлений спеціально для читачів SPEKA автором Телеграм-каналу AI-шня

Buzz — це сервіс, що вміє транскрибувати чи перекладати або робити дві операції одночасно в автоматичному режимі. Працює завдяки технології Whisper від вельми шанованих та відомих OpenAI.

Сервіс Buzz
Читайте також: За дев'ять наборів IdeasLab допоміг понад 140 студентським командам пройти шлях від першої ідеї до власного стартапу. За цей час учасники програми запустили 64 стартапи, залучили понад $850 000 інвестицій, представляли свої проєкти на міжнародних майданчиках і продовжують будувати технологічні компанії в Україні та за її межами.

Підписуйтеся на наші соцмережі

Доступно під Windows, Linux та Mac. Може працювати навіть без інтернету, але тоді варто попередньо завантажити натреновані моделі. Звісно, що краща буде якість, то більше часу триває операція і «важить» сама модель.

Сервіс можна також використовувати для генерації субтитрів, навіть різними мовами. Тобто берете звукову доріжку українською і «годуєте» стільки разів, скільки потрібно мов, змінюючи їх у налаштуваннях. 

Також є функція транскрибування у реальному часі. Людською мовою ви щось говорите — воно одразу розпізнає і друкує це у файл.

Я тестував сервіс на піснях і різної складності текстових аудіодоріжках. І ось що можу сказати:

  • Музика майже немає впливу, але краще за можливості завантажувати тільки доріжку з розмовою, аби не було викривлення звуків.
  • Надиктовану аудіорозмову на військову тематику з безліччю термінів, завантажену з телеграм-чату, воно розпізнало з точністю приблизно 90% для української мови.
  • Узяв відео з дитячими привітаннями (бо в малечі через вік неідеальна дикція) і воно розпізнало з точністю приблизно 63% для української мови.
  • Англійську та іспанську мову розпізнає майже взагалі без помилок (звісно, тому що значно краще натренована модель).
  • Мовою терористів-сусідів нічого не тестував, але вона є. Добре, що окрім неї там ще безліч інших.

Важливо: краща якість потребує більшої кількості ресурсів або якості з'єднання. У мене на High аварійно завершувалася робота, тому всі тести я робив на Medium.

Також я вирішив порівняти якість і спробував згенерувати субтитри через різні сервіси для того дитячого відео, яке воно погано розпізнало, і зробив аналогічно, використовуючи три сервіси — VEED, MotionBox і Stenograf. Перші два — це онлайн-редактори відео, останній — спеціалізований сервіс для створення субтитрів. Жоден із них не видав результат, вищий за 40% точності. 

На жаль, я не здогадався все це зібрати в одне відео, і це моя помилка, що робить мої аргументи менш залізними. Головне ж для мене було не тільки показати зручний інструмент, який може спростити життя журналістам, творцям подкастів і відео та всім, хто має завдання перетворювати записи голосу на тексти, а й довести, що безоплатний інструмент завдяки використанню добре натренованій моделі може працювати краще за схожі платні.

Єдине, про що я жалкую, що маю неідеальну дикцію і не надиктував цей матеріал без жодних правок, замість того щоб писати.

Інші матеріали

ШІ Спільнота аудіо тексти штучний інтеоект конвертація Спільнота
Читати на speka.media