AI
2024.08.8
Google Speech-to-Text APIサンプルアプリの作成 – Remix
はじめに参考https://cloud.google.com/nodejs/docs/reference/speech/latesthttps://cloud.google.com/docs/authentication/application-default-credentials?hl=jahttps://cloud.google.com/speech-to-text/docs/troubleshootinghttps://cloud.google.com/speech-to-text/docs/speech-to-text-requests?hl=jahttps://cloud.google.com/speech-to-text/docs/encoding生成物Remixのフロントで、ブラウザのWeb APIのMediaDevicesを使用して音声を録音RemixのバックエンドのAPIにファイルを送信し、Google STT APIでtranscrtiption(書き起こし)を作成Remixの
AI
2024.08.5
Speech-To-Text(STT)市場の理解
はじめにhttps://deepgram.com/learn/best-speech-to-text-apisdeepgram社の広告記事だが、STTツール市場についてよくまとまっているので、要約するSTT APIを選ぶ際に考慮すべき重要なポイント以下の要素を総合的に評価することで、プロジェクトに最適なSTT APIを選択できる精度:文字起こしの正確さが重要。バックグラウンドノイズや方言、アクセントにも対応できること。速度:低遅延で迅速な処理が求められるアプリケーションが多い。コスト:コスト効率が重要。適切な投資収益率(ROI)と価格対性能比が必要。入力モード:事前録音音声のバッチ処理やリアルタイムストリーミングのサポート。機能と能力:高度なフォーマットや音声理解機能が含まれること。スケーラビリティと信頼性:さまざまなデータ量に対応でき、信頼性が高いこと。カスタマイズと柔軟性:特定の語彙や展開オプションに対応できること。採用と使
AI
2024.04.4
ディープラーニング講座「機械学習Specializationシリーズ- 教師あり機械学習回帰と分類コース」の紹介
機械学習SpecializationシリーズとはDeepLearning.AI社とスタンフォード大学オンラインが共同で作成した基礎的なオンラインプログラムです。この初心者向けのプログラムでは、機械学習の基礎と、これらのテクニックを使用して実際のAIアプリケーションを構築する方法を学習します。https://www.coursera.org/specializations/machine-learning-introduction以下の3つのコースから構成されています。教師あり機械学習回帰と分類高度な学習アルゴリズム教師なし学習, レコメンダー, 強化学習教師あり機械学習回帰と分類コースとは一般的な機械学習ライブラリNumPyとscikit-learnを使用して、Pythonで機械学習モデルを構築します。 - 線形回帰やロジスティック回帰を含む、予測タスクやバイナリ分類タスクのための教師あり機械学習モデルを構築し、訓練します。
AI
2024.03.22
OpenAIが提供する音声認識オープンソースWhisperとは(5)
ソースを確認するtranscribe関数の定義def transcribe( model: "Whisper", audio: Union, *, verbose: Optional = None, temperature: Union = (0.0, 0.2, 0.4, 0.6, 0.8, 1.0), compression_ratio_threshold: Optional = 2.4, logprob_threshold: Optional = -1.0, no_speech_threshold: Optional = 0.6, condition_on_previous_text: bool = True, initial_prompt: Optional = None, word_timestamps: bool = False, prepend_punctuations: str = "\"'“¿([{-"
AI
2024.03.21
OpenAIが提供する音声認識オープンソースWhisperとは(4)
whisperのデバッグ環境構築whisperのソースコードをチェックアウトするgit clone https://github.com/openai/whisper.gitcd whispertest.pyの作成import sysfrom whisper.transcribe import cliif __name__ == '__main__': sys.exit(cli())test.pyの実行python test.py sample.mp4 --language Englishtranscribe.pydef cli():・・・ model = load_model(model_name, device=device, download_root=model_dir)・・・ソースを確認するload_model関数を読むデフォルト時の引数は、model_name=small, device=cpu, download_root=Noneが使用さ
AI
2024.03.18
OpenAIが提供する音声認識オープンソースWhisperとは(3)
transcribe関数の確認def transcribe( model: "Whisper", audio: Union, *, verbose: Optional = None, temperature: Union = (0.0, 0.2, 0.4, 0.6, 0.8, 1.0), compression_ratio_threshold: Optional = 2.4, logprob_threshold: Optional = -1.0, no_speech_threshold: Optional = 0.6, condition_on_previous_text: bool = True, initial_prompt: Optional = None, word_timestamps: bool = False, prepend_punctuations: str = "\"'“¿([{-", appen
AI
2024.03.17
OpenAIが提供する音声認識オープンソースWhisperとは(2)
whisperコマンド実行時のエントリーポイントの確認whisperはpipでインストールする設計なので、whisperのsetup.pyファイル内のentry_pointsを確認する。コマンドラインからwhisperコマンドを実行すると、whisper.transcribe:cliが呼び出されることが確認できる。setup(・・・ entry_points={ "console_scripts": , },・・・)エントリポイント whisper.transcribe:cli のコード確認def cli(): from . import available_models def valid_model_name(name): if name in available_models() or os.path.exists(name): return name raise ValueError(
AI
2024.03.17
OpenAIが提供する音声認識オープンソースWhisperとは(1)
whisperとは?Whisperは汎用音声認識モデルです。多様なオーディオの大規模なデータセットで訓練されており、マルチタスクモデルでもあり、多言語音声認識、音声翻訳、言語識別などの機能を実行できます。ChatGPTで有名なOpenAIがMITライセンスの下にオープンソースとして公開しています。「Whisperアーキテクチャは、エンコーダーデコーダーTransformerとして実装されたシンプルなエンドツーエンドのアプローチです。入力オーディオは30秒のチャンクに分割され、対数メルスペクトログラムに変換され、それからエンコーダーに渡されます。デコーダーは、特殊トークンと組み合わされた対応するテキストキャプションを予測するようにトレーニングされ、この特殊トークンは、単一モデルが言語識別、フレーズレベルのタイムスタンプ、多言語音声の転記、および英語への音声翻訳などのタスクを実行するように導きます。他の既存のアプローチは、より小規模で、より密にペアされた音声テキストのトレーニングデータセットを使用したり、広範囲ながら非監視の音声事前トレーニングを使用したりすること