OpenAIのWhisper でオフライン文字起こし(STT)

OpenAIのWhisper
でオフライン文字
起こし(STT)
Kenichiro Matohara(matoken)
1

View Slide

南隅から参加(鹿児島の右下)
好きなLinuxディストリビューションはDebian
お仕事募集 mailto:work＠matohara.org
https://matoken.org
2

View Slide

Speach To Text(STT)
音声認識してテキストデータに
SaaSではいくつか
要回線
(鹿児島Linux勉強会
2022.04)
がローカルかつ無料で使えるSTT の
Whisper とモデルデータを無料で公開!
Speach To Text To Translation(Azure版)
OpenAI(人工知能研究所)
3

View Slide

Whisper
OpenAI が開発
Python製MITライセンス(モデルもMIT?)
68万時間の音声から学習(680000/24/365=77.6…)
transcribe(文字起こし)は99言語に対応
translate(文字起こし+翻訳)は英語への翻訳のみ
openai/whisper: Robust Speech Recognition via Large-Scale Weak
Supervision
4

View Slide

OracleCloud Free Tier Ampere A1
Compute VM で試す
CPU
Ampere A1 Compute(aarch64) x 4
RAM
24GB
OS
Ubuntu 20.04.5 LTS
5

View Slide

環境構築
1 Python 3.9.9以上が必要なのでppaから3.10を導入
2 pipでWhisper導入
3 ffmpegも必要
$ sudo add-apt-repository ppa:deadsnakes/ppa

$ sudo apt install python3.10-minimal python3.10-venv

$ python3.10 -m venv venv

$ source venv/bin/activate

$ pip install git+https://github.com/openai/whisper.git

$ sudo apt install ffmpeg
1
2
3
6

View Slide

usage
$ whisper

usage: whisper [-h] [--model {tiny.en,tiny,base.en,base,small.en,small,medium.en,medium,large}]
[--language {af,am,ar,as,az,ba,be,bg,bn,bo,br,bs,ca,cs,cy,da,de,el,en,es,et,eu,f
[--temperature TEMPERATURE] [--best_of BEST_OF] [--beam_size BEAM_SIZE] [--patie
[--condition_on_previous_text CONDITION_ON_PREVIOUS_TEXT] [--fp16 FP16] [--tempe
[--logprob_threshold LOGPROB_THRESHOLD] [--no_speech_threshold NO_SPEECH_THRESHO
audio [audio ...]

whisper: error: the following arguments are required: audio
7

View Slide

Whisper のモデル
Whisper実行時に必要なモデルが存在しない場合ダウンロードされ
る
モデルは，英語モデル4種と，多言語モデル5種がありモデルが大
きいほどリソースを消費するが精度が良くなる
$ ls -sS1 ~/.cache/whisper/

total 7374952

3014656 large.pt

1492200 medium.pt

1492200 medium.en.pt

472284 small.pt

472284 small.en.pt

141860 base.pt

141860 base.en.pt

73804 tiny.pt

73804 tiny.en.pt
8

View Slide

日本語音声の文字起こしを試す
YouTubeからサンプルデータの入手
$ yt-dlp -F https://www.youtube.com/watch?v=GiglWCcVi5o | grep -i audio

599 m4a audio only 2 | 224.57KiB 31k https | audio only mp4a.40.5 31k 22k ultr
600 webm audio only 2 | 238.16KiB 33k https | audio only opus 33k 48k ultr
139 m4a audio only 2 | 354.97KiB 49k https | audio only mp4a.40.5 49k 22k low,
249 webm audio only 2 | 342.58KiB 47k https | audio only opus 47k 48k low,
250 webm audio only 2 | 524.67KiB 72k https | audio only opus 72k 48k low,
140 m4a audio only 2 | 939.76KiB 130k https | audio only mp4a.40.2 130k 44k medi
251 webm audio only 2 | 1.02MiB 144k https | audio only opus 144k 48k medi
$ yt-dlp -f 140 https://www.youtube.com/watch?v=GiglWCcVi5o

$ ffprobe -i ./大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし\ \[GiglWCcVi5o\].m4a 2>&1 | grep In
:

Duration: 00:00:59.42, start: 0.000000, bitrate: 129 kb/s

Stream #0:0[0x1](eng): Audio: aac (LC) (mp4a / 0x6134706D), 44100 Hz, stereo, fltp, 127 kb/s
:

$ yt-dlp --no-download --write-auto-subs --sub-langs ja https://www.youtube.com/watch?v=GiglWCc
10

View Slide

tiny
$ time whisper ./大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし\ \[GiglWCcVi5o\].webm --language
/home/ubuntu/src/whisper/venv/lib/python3.10/site-packages/whisper/transcribe.py:78: UserWarnin
warnings.warn("FP16 is not supported on CPU; using FP32 instead")

[00:00.000 --> 00:04.000] 予報センターから自信の情報を伝えしています。

[00:04.000 --> 00:10.000] レージ25%九州地方で最大シーンと500の自信が発生しました。

[00:10.000 --> 00:14.000] 新源中はオースミハントと方向を起き、

[00:14.000 --> 00:18.000] 自信の希望示すまぐに中度は5.8

[00:18.000 --> 00:22.000] 新源の重はおよそ30kmとなっています。

[00:22.000 --> 00:26.000] この自信によるつなびの心配はありません。


[00:29.000 --> 00:33.000] 自信の御着を観測したのは、

[00:33.000 --> 00:36.000] 西断し、新度御着を観測したのは、

[00:36.000 --> 00:39.000] 西断し、新度4を観測したのは、

[00:39.000 --> 00:42.000] 高なベッチョー、シントミッチョー、

[00:42.000 --> 00:44.000] 宮崎し、

[00:44.000 --> 00:45.000] 崎しまし、

[00:45.000 --> 00:49.000] 宮崎の上司、こばやししとなっています。

[00:49.000 --> 00:52.000] そのほか九州エリア広い入れ、

[00:52.000 --> 00:55.000] 新度3を観測しています。


[00:58.000 --> 01:00.000] ではありません。

real 6m0.515s

user 11m10.055s

sys 1m36.165s
11

View Slide

base

[00:00.000 --> 00:10.180] 余補センターから自身の情報をお伝えしています冷時2分後ろ九州地方で最大進度5弱の自身
[00:10.180 --> 00:18.260] 新原地は大済み半島東方大き自身の規模を示すマグに中度は5.8

[00:18.260 --> 00:25.800] 新原の重はおよそ30kmとなっていますこの自身による津波の心配はありません

[00:25.800 --> 00:49.460] 新度5弱を観測したのは日南市新度5弱を観測したのは日南市新度4を観測したのは高なベ
[00:49.460 --> 00:59.960] その他九州エリア広い配で新度3 新度にを観測していますこの自身による津波の心配はあり
real 8m36.310s

user 16m39.758s

sys 2m29.937s
12

View Slide

small

[00:00.000 --> 00:03.840] 予報センターから地震の情報をお伝えしています。

[00:03.840 --> 00:10.140] 0時2分ごろ九州地方で最大震度5弱の地震が発生しました。

[00:10.140 --> 00:18.300] 震源地は大隅半島東方置き、地震の希望を示すマグニチュードは5.8。

[00:18.300 --> 00:22.400] 震源の深さはおよそ30kmとなっています。

[00:22.400 --> 00:25.800] この地震による津波の心配はありません。


[00:29.700 --> 00:36.640] 震度5弱を観測したのは日南市、震度5弱を観測したのは日南市、

[00:36.640 --> 00:44.040] 震度4を観測したのは高鍋町、震都道町、宮崎市、

[00:44.040 --> 00:49.400] 駆島市、宮子の城市、小林市となっています。

[00:49.400 --> 00:55.800] その他、九州エリア広い灰で震度3、震度2を観測しています。


real 35m3.326s

user 74m50.110s

sys 8m49.869s
13

View Slide

medium

[00:00.000 --> 00:10.240] 予報センターから地震の情報をお伝えしています 0時2分ごろ九州地方で最大震度5弱の地震
[00:10.240 --> 00:18.320] 震源地は大隅半島東方起地震の規模を示すマグニチュードは5.8

[00:18.320 --> 00:25.920] 震源の深さはおよそ30kmとなっていますこの地震による津波の心配はありません

[00:25.920 --> 00:33.360] 震度5弱を観測したのは日南市震度5弱を観測したのは日南市

[00:33.360 --> 00:45.840] 震度4を観測したのは高鍋町新富町宮崎市福島市都の城市小林市となっています

[00:45.840 --> 00:52.320] その他九州エリア広井配で震度3 震度2を観測しています

[00:52.320 --> 01:00.880] この地震による津波の心配はありません

real 84m22.932s

user 191m7.199s

sys 23m17.116s
14

View Slide

large

[00:00.000 --> 00:03.760] 予報センターから地震の情報をお伝えしています。

[00:03.760 --> 00:10.080] 0時2分ごろ九州地方で最大震度5弱の地震が発生しました。

[00:10.080 --> 00:13.680] 震源地は大隅半島東方沖。

[00:13.680 --> 00:18.240] 地震の規模を示すマグニ中度は5.8。

[00:18.240 --> 00:22.320] 震源の深さはおよそ30キロメートルとなっています。



[00:29.640 --> 00:33.240] 震度5弱を観測したのは日南市。

[00:33.240 --> 00:36.520] 震度5弱を観測したのは日南市。

[00:36.520 --> 00:43.920] 震度4を観測したのは高鍋町、新富町、宮崎市、

[00:43.920 --> 00:49.280] 久島市、宮古の城市、小林市となっています。

[00:49.280 --> 00:55.640] その他九州エリア広い範囲で震度3、震度2を観測しています。


real 210m5.865s

user 435m17.317s

sys 80m58.978s
15

View Slide

BGMもなく条件の良さそうなデータ
tiny, base はちょっと辛い
small くらいから大分良くなる，medium, large で少しづつ良くなる
が処理時間がだいぶ伸びる
large でも地方の地名は無理な感じ
16

View Slide

セリフ引用も認識して「」でく
くってくれるよう
https://nitter.matoken.org/miyagawa/status/1592766792283607040#m
17

View Slide

英語音声の文字起こし
$ wget https://www3.nhk.or.jp/nhkworld/upld/medias/en/radio/news/20221010183000_english_1.mp3

$ ffmpeg -i ./20221010183000_english_1.mp3 -map 0 -c copy -f segment -segment_time 60 -reset_ti
$ ls -s1 20221010183000_english_1*

476 20221010183000_english_1-00.mp3

472 20221010183000_english_1-01.mp3

476 20221010183000_english_1-02.mp3

476 20221010183000_english_1-03.mp3

456 20221010183000_english_1-04.mp3

2332 20221010183000_english_1.mp3

$ ffprobe ./20221010183000_english_1-00.mp3 2>&1 | grep Input -A10

Input #0, mp3, from './20221010183000_english_1-00.mp3':

Metadata:

encoder : Lavf59.27.100

Duration: 00:01:00.00, start: 0.025057, bitrate: 64 kb/s

Stream #0:0: Audio: mp3, 44100 Hz, stereo, fltp, 64 kb/s

Metadata:

encoder : Lavc57.64
19

View Slide

tiny
$ time whisper ./20221010183000_english_1-00.mp3 --language English --model tiny


[00:00.000 --> 00:06.500] This is Asian View from N.H.K. Roll in Japan.

[00:06.500 --> 00:08.000] I'm here with you.

[00:08.000 --> 00:12.000] Japanese Foreign Minister Hayashi Yoshimasa met his Malaysian counte
[00:12.000 --> 00:15.000] Sifuiting Abdullah and Kuala Lumpur on Sunday.

[00:15.000 --> 00:19.000] Hayashi conveyed his strong opposition to any attempt to unilaterall
[00:19.000 --> 00:24.000] change the status quo in the east and south China seas by force.

[00:24.000 --> 00:30.000] Malaysia is a strategic partner that shares our basic values and str
[00:30.000 --> 00:35.000] I think we were able to have a very meaningful discussion on future
[00:35.000 --> 00:41.000] Hayashi also explained the importance of maintaining and strengtheni
[00:41.000 --> 00:44.000] and responding to economic coercion.

[00:44.000 --> 00:49.000] On Russia's invasion of Ukraine, Hayashi sent the act goes against i
[00:49.000 --> 00:51.000] and should not be condoned.

[00:51.000 --> 00:57.000] Hayashi and Sifuiting confirmed that they will continue to coordinat
[00:57.000 --> 01:13.000] Thai Prime Minister Pryu Chan Ocha has it.

real 2m58.637s

user 6m42.815s

sys 0m46.548s
20

View Slide

base
$ time whisper ./20221010183000_english_1-00.mp3 --language English --model base


[00:00.000 --> 00:06.800] This is Asian View from NHK Roll Japan.

[00:06.800 --> 00:08.800] I'm Hiragokitadai.

[00:13.720 --> 00:15.880] in Kuala Lumpur on Sunday.

[00:20.460 --> 00:25.120] quo in the East and South China Seas by force.

[00:40.400 --> 00:43.760] order and responding to economic coercion.

[00:43.760 --> 00:49.000] On Russia's invasion of Ukraine, Hayashi said the act goes against i
[00:49.000 --> 00:51.000] should not be condoned.

[00:51.000 --> 00:55.960] Hayashi and Saifudin confirmed that they will continue to coordinate
[00:55.960 --> 00:57.840] the conflict.

[00:57.840 --> 01:27.400] The Thai Prime Minister Priyut Chan Ocha has it.

real 6m41.061s

user 14m49.295s

sys 1m46.802s
21

View Slide

small
$ time whisper ./20221010183000_english_1-00.mp3 --language English --model small





[00:48.840 --> 00:51.040] and should not be condoned.

[00:51.040 --> 00:55.840] Hayashi and Saifudin confirmed that they will continue to coordinate
[00:55.840 --> 01:00.000] to the conflict.

real 27m32.630s

user 56m35.610s

sys 8m19.331s
22

View Slide

medium
$ time whisper ./20221010183000_english_1-00.mp3 --language English --model medium


[00:00.000 --> 00:06.800] This is Asian View from NHK World Japan.

[00:06.800 --> 00:08.600] I'm Hiroko Kitadai.



[00:25.560 --> 00:30.360] Russia is a strategic partner that shares our basic values and strat

[00:49.000 --> 00:51.000] should not be condoned.

[00:51.000 --> 00:55.800] Hayashi and Saifuddin confirmed that they will continue to coordinat
[00:55.800 --> 00:57.800] to the conflict.

[00:57.800 --> 01:24.760] Thai Prime Minister Prayut Chan-o-cha has a

real 79m3.566s

user 178m34.357s

sys 22m48.464s
23

View Slide

large
$ time whisper ./20221010183000_english_1-00.mp3 --language English --model large


[00:00.000 --> 00:08.000] This is Asian View from NHK World Japan. I'm Hiroko Kitadai.

[00:50.000 --> 00:57.000] Hayashi and Saifuddin confirmed that they will continue to coordinat
real 133m44.308s

user 289m38.870s

sys 49m56.902s
24

View Slide

ja en 時間比較
ja en
tiny 6m 2m58
base 8m36 6m41
small 35m3 27m32
medium 84m22 79m3
large 210m5 133m44
25

View Slide

翻訳結果とsubtitle file
$ ls -1 大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし\ \[GiglWCcVi5o\].webm.*

'大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし [GiglWCcVi5o].webm.srt'

'大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし [GiglWCcVi5o].webm.txt'

'大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし [GiglWCcVi5o].webm.vtt'

$ cat 大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし\ \[GiglWCcVi5o\].webm.txt

予報センターから地震の情報をお伝えしています。
0時2分ごろ九州地方で最大震度5弱の地震が発生しました。

震源地は大隅半島東方沖。
地震の規模を示すマグニ中度は5.8。

震源の深さはおよそ30キロメートルとなっています。

この地震による津波の心配はありません。
震度5弱を観測したのは日南市。

震度5弱を観測したのは日南市。

震度4を観測したのは高鍋町、新富町、宮崎市、

久島市、宮古の城市、小林市となっています。
その他九州エリア広い範囲で震度3、震度2を観測しています。

26

View Slide

subtitle埋め込み
YouTube の文字起こしはWhisper より精度悪いので差し替えると良さ
そう
 subtitleのときは以下を使うと良さそう(未確認)
https://trac.ffmpeg.org/wiki/HowToBurnSubtitlesIntoVideo
$ ffmpeg -i video.webm -vf \

subtitles=video.webm.vtt \

video_sub.webm
jianfch/stable-ts: Stabilizing timestamps of OpenAI’s Whisper
outputs down to word-level
27

View Slide

Speach to Text to Translate
 English only
 英語以外に翻訳するときはtranslate-shell やみんなの自動翻訳
@TexTraの利用できるtransも便利※要回線
$ whisper './大隅半島東方沖で地震　宮崎県で震度5弱　津波の心配なし [GiglWCcVi5o].m4a' \

--language Japanese --model small --task translate 2>/dev/null

[00:00.000 --> 00:03.640] We have information about the earthquake from both centers.

[00:03.640 --> 00:09.960] The largest earthquake in the world occurred at around 2 a.m.

[00:09.960 --> 00:13.640] The earthquake was in Osumi-Hanto, Toho-Oki.

[00:13.640 --> 00:18.040] The magnitude of the earthquake was 5.8.

[00:18.040 --> 00:22.280] The height of the earthquake is approximately 30 km.

[00:22.280 --> 00:25.800] There is no worry about the tsunami caused by this earthquake.


[00:29.600 --> 00:33.280] The earthquake that affected the 5-degrees in Shinto is Nichi-Nan-sh
[00:33.280 --> 00:36.360] The earthquake that affected the 5-degrees in Shinto is Nichi-Nan-sh
[00:36.360 --> 00:49.240] The earthquake that affected the 4-degrees in Shinto is Takanabe-cho
[00:49.240 --> 00:54.560] In addition, the earthquake in the Kyushu area and the Shinto-san in
コマンドラインで翻訳
28

View Slide

Whisper.cpp
Python製のWhisperをC++で再実装したもの
少リソースかつ高速にWhisperが利用できる
GPU非対応
( で知る )
https://github.com/ggerganov/whisper.cpp
[Galene] Whisper transcriptions?
29

View Slide

build
$ git clone https://github.com/ggerganov/whisper.cpp

$ make

cc -I. -O3 -std=c11 -pthread -mfma -mf16c -mavx -mavx2 -c ggml.c -o ggml.o

g++ -I. -I./examples -O3 -std=c++11 -pthread -c whisper.cpp -o whisper.o

g++ -I. -I./examples -O3 -std=c++11 -pthread examples/main/main.cpp ggml.o whisper.o -o main

./main -h

usage: ./main [options] file0.wav file1.wav ...

options:

-h, --help show this help message and exit

-s SEED, --seed SEED RNG seed (default: -1)

-t N, --threads N number of threads to use during computation (default: 4)

-p N, --processors N number of processors to use during computation (default: 1)

-ot N, --offset-t N time offset in milliseconds (default: 0)

-on N, --offset-n N segment index offset (default: 0)

-d N, --duration N duration of audio to process in milliseconds (default: 0)

-mc N, --max-context N maximum number of text context tokens to store (default: max)

-ml N, --max-len N maximum segment length in characters (default: 0)

-wt N, --word-thold N word timestamp probability threshold (default: 0.010000)

-su, --speed-up speed up audio by factor of 2 (faster processing, reduced accuracy
-v, --verbose verbose output

--translate translate from source language to english

-otxt, --output-txt output result in a text file

-ovtt, --output-vtt output result in a vtt file

-osrt, --output-srt output result in a srt file

-owts, --output-words output script for generating karaoke video

-ps, --print_special print special tokens

-pc, --print_colors print colors

-nt, --no_timestamps do not print timestamps

-l LANG, --language LANG spoken language (default: en)

-m FNAME, --model FNAME model path (default: models/ggml-base.en.bin)

-f FNAME, --file FNAME input WAV file path 31

View Slide

sample
$ ./main -m models/ggml-base.en.bin -f samples/jfk.wav

whisper_model_load: loading model from models/ggml-base.en.bin

whisper_model_load: n_vocab = 51864

whisper_model_load: n_audio_ctx = 1500

whisper_model_load: n_audio_state = 512

whisper_model_load: n_audio_head = 8

whisper_model_load: n_audio_layer = 6

whisper_model_load: n_text_ctx = 448

whisper_model_load: n_text_state = 512

whisper_model_load: n_text_head = 8

whisper_model_load: n_text_layer = 6

whisper_model_load: n_mels = 80

whisper_model_load: f16 = 1

whisper_model_load: type = 2

whisper_model_load: mem_required = 506.00 MB

whisper_model_load: adding 1607 extra tokens

whisper_model_load: ggml ctx size = 140.60 MB

whisper_model_load: memory size = 22.83 MB

whisper_model_load: model size = 140.54 MB

system_info: n_threads = 4 / 4 | AVX2 = 1 | AVX512 = 0 | NEON = 0 | FP16_VA = 0 | WASM_SIMD = 0
main: processing samples/jfk.wav (176000 samples, 11.0 sec), 4 threads, 1 processors, lang = en
[00:00:00.000 --> 00:00:11.000] And so my fellow Americans, ask not what your country can do
whisper_print_timings: load time = 542.31 ms

whisper_print_timings: mel time = 174.94 ms

whisper_print_timings: sample time = 14.82 ms

whisper_print_timings: encode time = 6282.06 ms / 1047.01 ms per layer

32

View Slide

モデルのダウンロード
$ bash ./models/download-ggml-model.sh

Usage: ./models/download-ggml-model.sh

Available models: tiny.en tiny base.en base small.en small medium.en medium large

$ bash ./models/download-ggml-model.sh large

$ bash ./models/download-ggml-model.sh medium

:
33

View Slide

Whisper.cpp の入力フォーマット
Whisper は動画だろうが処理してくれたが，Whisper.cpp は wav であ
る必要があるよう
16kHz wav である必要があるよう
変換例
error: failed to open 'input.webm' as WAV file
./main: WAV file 'input.wav' must be 16 kHz
$ ffmpeg -o input.webm -ar 16000 out.wav
34

View Slide

Whisper と cpp の速度比較
表 1. 1分の音声をIntel Core i5-7300U で
Whisper cpp
large 29m38 8m9s
medium 12m46s 4m4s
small 2m28s 1m6s
base 47s 20s
tiny 27s 19s
Benchmark results → https://github.com/ggerganov/whisper.cpp/issues/89
35

View Slide

Whisper.cpp でstreaming文字起こ
し
Intel Core i5-7300U でbaseだと処理が間に合わず以下のメッセージが
大量に出る．tinyでも処理が間に合わないことがあるよう
$ sudo apt-get install libsdl2-dev

$ make stream

$ ./stream --language ja -m models/ggml-tiny.bin
main: WARNING: cannot process audio fast enough, dropping audio ...
37

View Slide

英語音声をリアルタイム文字起
こししつつ，transrate-shell で日本
語に翻訳
loopbackデバイスを用意して自分の介さない言語のビデオミーティン
グなどの音声を流し込むと便利
$ ./stream -t 4 --language en -m models/ggml-tiny.bin | pee cat "trans :ja -b"

:

Thanks for the main menu and the me use this for points for sure.

メインメニューに感謝します。私はこれをポイントとして使用しています。 [2K

the fights are hot and we hope that we will be able to provide all the amenities that we

戦いは熱いので、私たちが提供できるすべてのアメニティを提供できることを願っています [2K

I don't know if I can take the phone to the phone I don't know if I can take the phone to the
電話を電話に持っていけるかどうかわからない電話を電話に持っていけるかどうかわからない [2K

I want to be a Nielsen, you all are even happy to be here. Yeah, be a Nielsen. Yeah, be a Niel
私はニールセンになりたいです。皆さんもここにいられて幸せです。ええ、ニールセンになりましょう。ええ、ニールセンに
^C
38

View Slide

まとめ
OpenAI の公開したSTTなWhisper精度高くローカルで利用できて便
利
CPU 環境ではWhisper.cpp が速いのでおすすめ(GPU利用時はGPU利
用オプションをつけたWhisperのほうが恐らく速い)
transrate-shellなどと組み合わせると夢の?リアルタイムに99ヶ国語
の音声を文字起こしして日本語に翻訳が可能
ただ手持ちの端末では処理不足なのでもう少し強いマシンもし
くはクラウド利用?
39

View Slide

奥付
発表
2022-11-27(sun)
発表者
利用ソフトウェア
ライセンス
鹿児島Linux勉強会 2022.11(オンライン開催)
Asciidoctor Reveal.js
CC BY 4.0
40

View Slide

OpenAIのWhisper でオフライン文字起こし(STT)

OpenAIのWhisper でオフライン文字起こし(STT)

Kenichiro MATOHARA

More Decks by Kenichiro MATOHARA

Other Decks in Technology

Featured

Transcript

OpenAIのWhisper でオフライン文字 起こし(STT)

OpenAIのWhisper でオフライン文字 起こし(STT)

Kenichiro MATOHARA

More Decks by Kenichiro MATOHARA

Other Decks in Technology

Featured

Transcript

OpenAIのWhisper でオフライン文字起こし(STT)

OpenAIのWhisper でオフライン文字起こし(STT)