Распознаем речь из видео(аудио) в текст. Короткая инструкция по транскрибации для чайников

[teleomoon]

В Сети есть хорошие и бесплатные онлайн-сервисы, которые работают без всяких дополнительных установок. В чем плюсы конкретно вашего инструмента?

[vaddone]

Основные плюсы:
1) Конфиденциальность. Все данные храняться локально, нет утечки данных. Иногда это важно.
2) Автономность. В сети ходит видео где на основе Raspberry PI и Whisper делают карманный переводчик, который работает без доступа в интернет.
3) Возможность интеграции с внешними системами для дальнейшей обработки данных (например LLM). Можно, например, интегрировать в агента ИИ для голосового ввода промптов и дальнейшего создания документации по определенным правилам (отчетов для руководителей, написание инструкций по эксплуатации, описание программных продуктов и т.д.). Можно создать голосового робота, если добавить обратный синтез речи из текста (голосовые роботы, которые стоят на телефонных номерах крупных компаний.). В общем вариантов очень много.

[UniInter]

А можно ссылочку на хороший и бесплатный? Я вот намедни искал такой и не нашел. Пришлось заплатить 400 руб. хорошему, но платному за 3+ часа видеотрнскрибации.

[empenoso]

https://habr.com/ru/articles/948894/

Возможно этот скрипт поможет

[denisemenov]

Whisper не умеет диаризацию. Если для себя транскрибировать и нет паранойи с конфиденциальностью, то лучше подключить deepgram со стартовым балансом в 200$ по дефолту.

[riky]

Может gigaam попробовать? Обещают качество при меньшем размере.

[AlexanderKrb]

GigaAM для русского лучше Whisper Large и работает в разы быстрее.

Диаризация и распознавание голосов по семплам требуют отдельных библиотек.

[p_AV_el]

Whisper turbo остальные уже не использую