Werk:AI mit Arnie/Transkribieren mit Whisper
Eigene Apps über APIs in Google Colab
📽️ 🎓Nach "Text-to-Speech" kommt "Speech-to-Text", und das Ganze funktioniert genauso einfach. Wir gehen zurück – also "TTS" haben wir schon gemacht. Wir können hiermit eigentlich jeden Text zu Audio machen. Danach gehen wir runter zu Whisper. Whisper ist das Ding, womit man ein Transkript machen kann. Das Coole ist: Whisper ist auch Open Source. Wir bekommen hier den Link. Wenn du das komplett gratis und lokal verwenden willst, du findest du dazu ein GitHub-Repo, und hier ist die Verwendung auch genauso einfach. Du musst das einfach nur lokal installieren. Das Ganze läuft in Python. Hier zeigen sie dir auch, wie das funktioniert – hier zum Setup. Sie verwenden "Python mit PyTorch". Du musst einfach nur die Dinge installieren. Sie sagen dir hier, welche Zeilen du kopieren musst und so weiter.
Jedoch würde ich davon ausgehen, dass wir das Ganze einfach mal über die API verwenden wollten, weil das Ganze einfach schneller und einfacher geht – und halt so günstig ist. Wenn wir hier bei den Pricings draufgehen, dann sehen wir uns hier Whisper an: 0,006 Dollar pro Minute. Das heißt, eine Minute kostet hier noch nicht mal einen Cent. Also, ich denke, das können wir uns leisten. Wir machen hier ein kurzes Transkript – meinetwegen von einer Minute oder auch von zehn Minuten. Das sind alles Kosten, die wirklich so Richtung Null gehen, wenn man hier nicht stundenlang transkribiert. Und auch wenn man stundenlanges Transkript macht, ist das Ganze immer noch sehr, sehr günstig, gerade wenn man es mit Menschen vergleicht.
Also, noch mal zurück, hier: Wir machen das über die API. Das heißt, wir klicken einfach hier darauf. Wir bekommen hier natürlich wieder unseren Quickstart. Das heißt, wir brauchen nur das Ding kopieren, gehen in unser Colab-Notebook, wir gehen hier wieder drauf. Denn wir wollen natürlich einen neuen Codeblock machen. Ich füge das hier ein: also "import from openAI client". Natürlich sind wir wieder da – Client. Das heißt, wir kopieren wieder diese Zeile mit unserem API-Key, und wir löschen das Ding hier raus und – bup – danach sind natürlich wir wieder der Client hier, tatsächlich, … warum ist hier keine Leerzeile? Die sollte ich wohl machen. Danach siehst du schon das Audiofile. Denn wir müssen natürlich einen Pfad geben zu unserem Audiofile, damit wir irgendein Transkript machen können.
Das Modell ist danach Whisper, und das Ganze sollte so funktionieren. Das heißt, wir müssen jetzt nur noch den Pfad zu unserer Audiodatei angeben. Und um das so einfach wie möglich zu machen, machen wir das Ganze so: Ich gehe noch mal in die Downloads rein. Wir haben hier ja schon ein File. Ich packe das auf den Computer erstmal oder meinetwegen in Ordner anzeigen. Wir gehen zurück in unser Colab-Notebook. Wir ziehen jetzt ganz einfach das Ding hier irgendwo rein. Wir könnten auch einen neuen Ordner erstellen – also das können wir wirklich machen, wie wir wollen. Wir könnten sogar unser Drive bereitstellen – also unser Google Drive verbinden, wenn wir hier tatsächlich noch nichts haben, nirgends. Und wir wollen etwas hier mit Google Drive verbinden.
Wir machen das jetzt aber einfach so einfach wie möglich. Wir löschen diese Zelle noch mal zu Google Drive. Das heißt, ich ziehe das Ding einfach nur hier rein – ja, das kann verloren gehen – und bup – jetzt habe ich hier das Ding tatsächlich reingezogen, und zwar unter "content/speech1.mp3". Das Ding ist es also. Ich will jetzt einfach nur den Pfad kopieren hier. Also "Pfad kopieren". Der Pfad muss jetzt natürlich hier rein – das Ding, was unter Anführungszeichen ist. Ich lösch' das, geb' das hier ein: "content/speech1.mp3". Jetzt klicken wir einfach mal "Play", und tada – wir haben einen Fehler. Hat irgendjemand bemerkt, was der Fehler ist?
Wir haben nicht den Binärmodus "Play" geklickt. Gehen wir natürlich noch mal zurück auf OpenAI hier, also auf die Text-to-Speech-Datei. Dann siehst du das da: Wir haben das damit rausgelöscht und nicht eingefügt. Das heißt, wir müssen natürlich unseren Pfad angeben, aber danach noch natürlich das da hier dazu. Das heißt, ich klicke noch mal kurz "Kopieren", wir gehen zurück in unser Google Colab-Notebook. Du siehst: Das sieht bis jetzt alles so aus, wie es soll. Aber das Ding hat uns halt gefehlt. Wir klicken jetzt noch mal "Play", dann sehen wir uns an, ob es so funktioniert – un bup: "Today is a wonderful day, to build something that people loove. Open AI rocks.“
Das heißt, wir waren einfach nur nicht aufmerksam. OpenAI hat uns hier wunderbar gezeigt, wie wir das Ganze machen müssen. Das heißt, unseren Pfad – aber nach dem Pfad natürlich noch den Beistrich und das ".rb" dazu, damit wir es im richtigen Modus öffnen, tatsächlich. Sobald wir das machen, funktioniert es. Das Transkript lautet: "Today is a wonderful day, to build something that people loove. Open AI rocks.“ Und wir können uns natürlich noch mal in den Downloads anhören, ob das auch stimmt. Also Downloads – das ist das Ding, das ich hochgeladen hab. Wir klicken darauf: "Today is a wonderful day, to build something that people loove. Open AI rocks.“ Funktioniert perfekt. Du könntest hier sogar natürlich gesamte Transkripte von YouTube-Videos reinschmeißen. Das funktioniert hier wunderbar. Du könntest wirklich reinschmeißen, was du willst. Wenn du eine riesengroße Audiodatei hast – meinetwegen einen ganzen Podcast – und du willst Podcasts lesen, kannst du sehr, sehr schnell ein Transkript daraus machen.
In diesem Video haben wir uns angesehen, wie wir ein Transkript machen können über die OpenAI API. Wir verwenden Whisper, und es funktioniert alles genau gleich: Installieren der Requirements, danach den kleinen Codeblock kopieren von OpenAI, unseren API-Schlüssel rein. Wir müssen danach unsere Audiodatei hochladen, den Pfad angeben – ganz wichtig, am Ende nicht die Dinge rauslöschen, die uns OpenAI schon gesagt hat. Wir klicken "Play", und das Ganze läuft. Und gibt es irgendwo irgendwann Probleme, mach' meinetwegen einen Screenshot vom Problem, schmeiß' ihn in den ChatGPT, und ChatGPT wird dir hier helfen.
Wie gesagt, Google Colab ist hier wirklich perfekt, um etwas zu üben, zu sehen, was diese Codeblocks machen. Denn dann verstehen wir später natürlich die Dinge viel, viel leichter. Das sind hier also die absoluten Basics der OpenAI API. Wir haben mittlerweile schon fast alles gemacht. Uns fehlen noch die Embedding-Modelle und Vision. Die Embedding-Modelle brauchen wir nicht unbedingt, aber Vision – Vision sehen wir uns im nächsten Video an.