日语语音识别 | Japanese ASR | 日语转写 | 日语视频提取字幕 | 音视频字幕提取 | OpenAI Whisper日语优化后的模型

编程分享录 首頁 每日列表 原始影片
實際影片長度：7:35.166。原文、繁中、雙語可點擊句子跳轉影片。
0:00.000–0:01.152
zh哈喽大家好,
0:01.152–0:03.456
zh歡迎大家來收看我的視頻。
0:03.456–0:11.136
zh那麼我們在上一次給大家分享的一個視頻是關於這個Hugging費中開源的這個項目。
0:11.136–0:17.472
zh然後他是基於OpenAirWhisper來使用這個日語來做優化的。
0:17.472–0:20.928
zh也就是對這個日語他識別的會更加準確。
0:20.928–0:24.000
zh是專門針對日語的一個ASR模型。
0:24.000–0:30.988
zh然後我們這裡的話對上一次視頻說的有一個錯誤的地方進行糾正。
0:30.988–0:41.831
zh一個就是我們上一個視頻想到說需要去修改這個Transformers下面的Modeling.
0:41.831–0:44.000
zhtl這個排成代碼。
0:44.000–0:52.000
zh然後其實的話我們還是需要去在官方他提供的代碼記錄上的話再增加這兩條影句。
0:52.000–1:00.000
zh才能讓他不報那個錯誤。把哪個錯誤能打開。我們給大家去記錄的那個博文。
1:00.000–1:02.261
zhOK來到我們這個博文這裡。
1:02.261–1:04.348
zh16月8號發布這個文章。
1:04.348–1:05.739
zh大家可以去閱讀。
1:05.739–1:06.957
zh去對著看一下。
1:06.957–1:08.000
zh我們點進來。
1:08.000–1:11.111
zh我們在這個博文中寫到了有兩個空。
1:11.111–1:15.194
zh一個是Transformers的一個版本。
1:15.194–1:17.139
zh就是剛才我們提到的。
1:17.139–1:19.472
zh如果我們沒有去修改的話。
1:19.472–1:20.444
zh那麼他會。
1:20.444–1:22.000
zh他會報這個錯誤。
1:22.000–1:27.000
zh其實這也與我們的這個代碼有關。這的話我們加了這一個。
1:27.000–1:31.412
zh如果我們只是改這個Transformer沒有在原碼中加那句。
1:31.412–1:32.735
zh加那兩條一句的話。
1:32.735–1:34.353
zh那麼一樣會報這個錯誤。
1:34.353–1:35.676
zh一樣會報這個錯誤。
1:35.676–1:37.000
zh一樣會報這個錯誤。
1:37.000–1:39.000
zh然後下面這個錯誤。
1:41.000–1:42.684
zh下面這個就是沒有問題啊。
1:42.684–1:44.789
zh你必須要修改這個Pyamon.
1:44.789–1:45.632
enaudio。
1:45.632–1:47.035
zh下面的那兩條語句啊。
1:47.035–1:47.877
zh必須要修改。
1:47.877–1:49.000
zh然後這裡的話是。
1:49.000–1:54.000
zh我是寫成了一個GUI程序。然後去方便去使用。
1:54.000–1:59.000
zh也就是在這兩寫成了一個GUI程序啊。
1:59.000–2:06.000
zh我們啟用他。他會打開一個圖形界面的一個程序。
2:06.000–2:08.000
zh然後去。
2:08.000–2:10.000
zh嗯。
2:10.000–2:12.000
zh怎麼你還沒起來。
2:12.000–2:15.000
enOK。
2:15.000–2:18.000
zh然後他起來之後的話。他會提示。
2:18.000–2:22.000
zh正在加載一個模型當中。等他加載完成之後。
2:22.000–2:25.000
zh我們就可以去選擇音頻或視頻。
2:25.000–2:27.000
zh選擇異語的音頻或視頻。
2:27.000–2:31.000
zh把女音信號轉輪文本。文本文字。
2:37.000–2:39.000
zh加載模型比較慢了。比較費時間。
2:39.000–2:41.000
zh我們現在運行的是輕薄。
2:41.000–2:43.000
zh在輕薄本地就能量上運行的。
2:43.000–2:46.000
zh顯卡的話只有3050的一個顯卡。
2:46.000–2:48.000
zh以後是4GB的一個顯存。
2:48.000–2:50.000
zh沒有顯卡的話也是可以跑。
2:51.000–2:52.000
zh我們可以看到這個。
2:52.000–2:55.000
zh從這個PyTrain打印的一個日子。
2:59.000–3:01.000
zh在我們的一個Windows系統中啊。
3:01.000–3:03.000
zh他是不支持啊。不支持啊。
3:03.000–3:04.000
zh這個呢。
3:04.000–3:06.000
zh在這個Windows中。
3:06.000–3:08.000
zh他會自動去切換使用的。
3:08.000–3:10.000
zh這個另外一個。
3:10.000–3:13.000
zh他這裡的話會嘗試去連接。
3:13.000–3:16.000
zh連接這個hacking費。
3:16.000–3:17.000
zh啊。
3:17.000–3:22.000
zh這個generate.py這個文件。
3:22.000–3:24.000
zh所以他會有問題。
3:33.000–3:34.000
zh我們等一下。
3:34.000–3:38.000
zh等他。
3:40.000–3:42.000
zh我們先把這個環境。
3:42.000–3:43.000
zh嗯。
3:43.000–3:44.067
zh如果你訪問這個hacking費。
3:44.067–3:45.000
zh訪問不到的話。
3:45.000–3:48.000
zh有一種解決方案是使用國內的一個鏡像。
3:48.000–3:49.000
zh拍子這個鏡像。
3:49.000–3:52.000
zh你可以在系統環境變量當中去設置他的一個。
3:52.000–3:53.000
zh嗯。
3:53.000–3:54.000
zh或者直接在圓滿。
3:54.000–3:55.000
zh改圓滿。
3:55.000–3:56.000
zh把圓滿這個地方去添加。
3:56.000–3:58.000
zh那這去上面去添加這個。
3:58.000–3:59.000
zh環境啊。
3:59.000–4:00.000
zh新的環境。
4:00.000–4:01.000
zh也是可以的。
4:01.000–4:02.000
zh而這也的話我們把它關掉。
4:02.000–4:03.000
zh我們重啟一下。
4:03.000–4:04.000
zh嗯。
4:10.000–4:11.000
en。
4:11.000–4:12.000
enOK。
4:12.000–4:13.000
zh這是起那麼快點。
4:20.000–4:21.000
zh從他加載這個模型。
4:21.000–4:24.000
zh然後這個的話。
4:24.000–4:25.000
zh你看到他提示這裡。
4:25.000–4:27.000
zh需要去填寫這個hacking費的一個token。
4:27.000–4:28.000
zh這個token的話。
4:28.000–4:29.000
zh不是大模型的一個token。
4:29.000–4:30.000
zh上個視頻也講了。
4:30.000–4:31.000
zh他不需要這個。
4:31.000–4:34.000
zh說花錢去購買這個token之類的。
4:34.000–4:35.000
zh他完全是這個。
4:35.000–4:36.000
zh這個token是認證的意思啊。
4:36.000–4:37.000
zh他是那個那個token啊。
4:37.000–4:38.000
zh他不是指的是大模型的那個資源。
4:38.000–4:39.000
zh他不是指的。
4:39.000–4:40.000
zh他不是指的。
4:40.000–4:41.000
zh他不是指的。
4:41.000–4:42.000
zh他不是指的。
4:42.000–4:43.000
zh他不是指的。
4:43.000–4:44.000
zh他不是指的。
4:44.000–4:45.000
zh他不是指的。
4:45.000–4:46.000
zh他不是指的。
4:46.000–4:47.000
zh他不是指的。
4:47.000–4:48.000
zh他不是指的。
4:48.000–4:49.000
zh嗯。
4:49.000–4:50.000
zh好。
4:50.000–4:51.000
zh我們現在已經加載完成了。
4:51.000–4:53.000
zh而要後的話我們就可以去選擇這個文件。
4:53.000–4:54.000
zh那要處理文件。
4:54.000–4:55.000
zh可以選擇。
4:55.000–4:56.000
zh都會了。
4:56.000–4:57.000
zh他在這裡會列出來。
4:57.000–4:59.000
zh比如說我們選擇這一個。
4:59.000–5:01.000
zh官方他提供的26秒的一個。
5:01.000–5:02.000
zh日語的一個視頻。
5:02.000–5:04.000
zh我們點擊打開。
5:04.000–5:05.000
zh然後這一次選擇一個。
5:05.000–5:07.000
zh你如果選擇多個的話可以按住。
5:07.000–5:08.000
zh或是Ctrl鍵。
5:08.000–5:09.000
zh去連選多個。
5:09.000–5:12.000
zh那以後我們再點擊保存的一個目錄。
5:12.000–5:14.000
zh比如說我們就保存在這個地方。
5:14.000–5:16.000
zh我們先把之前的這個轉寫出來的。
5:16.000–5:18.000
zhSRT格式的永件給delete。
5:18.000–5:19.000
zh給刪除掉。
5:19.000–5:20.000
zh然後的話。
5:20.000–5:21.000
zh我們。
5:21.000–5:23.000
zh把這個往下拖啊。
5:23.000–5:25.000
zh可以看到這裡有一個轉寫的一個按鈕。
5:25.000–5:27.000
zh然後我們點擊這個轉寫。
5:27.000–5:29.000
zh他就會去處理當中了。
5:29.000–5:30.000
zh然後我們看到日子他打印了。
5:30.000–5:32.000
zh這個是Warming不要擔心啊。
5:32.000–5:33.000
zh不要看到這一片紅。
5:33.000–5:35.000
zh就以為是爆出還是問題。
5:35.000–5:36.000
enOK。
5:36.000–5:37.000
zh我們看到這個速度還是蠻快的。
5:37.000–5:38.000
zh我們已經出來了這個結果。
5:38.000–5:41.000
zh然後我們去打開我們的這個目錄。
5:41.000–5:42.000
zh就能夠看到。
5:42.000–5:43.000
zh這個。
5:43.000–5:44.000
zh剛生成的這個SRT。
5:44.000–5:46.000
zh標準的一個字幕格式的一個文件。
5:46.000–5:48.000
zh它裡面保存了什麼內容呢。
5:48.000–5:49.000
zh我們可以去打開看一下。
5:49.000–5:50.000
zh我們可以用記事本。
5:50.000–5:52.000
zh或者說是用這個VSCORN。
5:52.000–5:55.000
zh比如說我們用VSCORN打開給大家去瞧一瞧。
5:55.000–5:56.000
enOK。
5:56.000–5:58.000
zh打開來看到的一個內容的話。
5:58.000–5:59.000
zh就是我們的一個標準的一個。
5:59.000–6:00.000
zh字幕格式。
6:00.000–6:01.000
zhSRT字幕格式。
6:01.000–6:03.000
zh序號還有時間戳。
6:03.000–6:04.000
zh還有這個。
6:04.000–6:06.000
zh這裡的話還是這個區分講話人的。
6:06.000–6:07.000
zh區分那個講話人的。
6:07.000–6:09.000
zh然後這裡是對應的文明內容。
6:09.000–6:14.000
zh好。
6:14.000–6:17.000
zh然後大家可以去自己去。
6:17.000–6:20.000
zh在本地中去部署一下。
6:20.000–6:21.000
zh試一下。
6:21.000–6:22.000
zh然後這個的話。
6:22.000–6:24.000
zh它是在Hotting費中能夠去找到。
6:24.000–6:25.000
zh然後對應的一個文檔的話。
6:25.000–6:26.000
zh部署的一個文檔的話。
6:26.000–6:29.000
zh是把它發布到我的個人博客當中。
6:29.000–6:30.000
zh需要的。
6:30.000–6:31.000
zh也可以在我的一個博客。
6:31.000–6:33.000
zh在我的一個博客中去。
6:33.000–6:35.000
zh去這個獲取。
6:35.000–6:37.000
zh我是昨天6月8號發布的。
6:37.000–6:39.000
zh大家也可以去搜索。
6:39.000–6:40.000
zh如果找到的話。
6:40.000–6:41.000
zh你可以去搜索這個。
6:41.000–6:42.000
zh部署以後這個怎麼讀。
6:42.000–6:43.000
zh然後Whisper文檔。
6:43.000–6:46.000
zh然後你如果想要部署OpenAIWhisper的話。
6:46.000–6:48.000
zh那你可以找我之前也發布過的一個文章。
6:48.000–6:51.000
zh你可以直接搜索關鍵詞Whisper或者是OpenAIWhisper。
6:51.000–6:52.000
zh都能夠找到。
6:52.000–6:56.000
zh然後像之前有人問了怎麼去訓練這個模型的。
6:56.000–6:57.000
zh這個文章文章的話也有。
6:57.000–7:00.000
zh那你們也可以去看一下。
7:00.000–7:01.000
zh還有有需要我。
7:01.000–7:04.000
zh然後這個的話是前一陣子去發表的。
7:04.000–7:06.000
zh關於這個部署。
7:06.000–7:08.000
zh這個VisaNono實施語音。
7:08.000–7:09.000
zh是個冰淇淨講話人的一個項目。
7:09.000–7:12.000
zh大家如果不會部署也可以按照文檔來進行部署。
7:12.000–7:14.000
zh還有其他的像部署千文沙這些都有。
7:14.000–7:16.000
zh訓練溫州方言啊。
7:16.000–7:18.000
zh或其他的一個方言和南話四川話的。
7:18.000–7:19.000
zh都有。
7:19.000–7:20.000
zh比較詳細的一個。
7:20.000–7:22.000
zh還有怎麼去採集這個數據。
7:22.000–7:24.000
zh這個方言是怎麼去採集的啊。
7:24.000–7:29.000
zh那我們就是給大家去分享到這裡。
7:29.000–7:31.000
zh還沒關注的也記得關注一下。
7:31.000–7:33.000
zh拜拜。
0:00.000–0:01.152
哈喽大家好,
0:01.152–0:03.456
歡迎大家來收看我的視頻。
0:03.456–0:11.136
那麼我們在上一次給大家分享的一個視頻是關於這個Hugging費中開源的這個項目。
0:11.136–0:17.472
然後他是基於OpenAirWhisper來使用這個日語來做優化的。
0:17.472–0:20.928
也就是對這個日語他識別的會更加準確。
0:20.928–0:24.000
是專門針對日語的一個ASR模型。
0:24.000–0:30.988
然後我們這裡的話對上一次視頻說的有一個錯誤的地方進行糾正。
0:30.988–0:41.831
一個就是我們上一個視頻想到說需要去修改這個Transformers下面的Modeling.
0:41.831–0:44.000
tl這個排成代碼。
0:44.000–0:52.000
然後其實的話我們還是需要去在官方他提供的代碼記錄上的話再增加這兩條影句。
0:52.000–1:00.000
才能讓他不報那個錯誤。把哪個錯誤能打開。我們給大家去記錄的那個博文。
1:00.000–1:02.261
OK來到我們這個博文這裡。
1:02.261–1:04.348
16月8號發布這個文章。
1:04.348–1:05.739
大家可以去閱讀。
1:05.739–1:06.957
去對著看一下。
1:06.957–1:08.000
我們點進來。
1:08.000–1:11.111
我們在這個博文中寫到了有兩個空。
1:11.111–1:15.194
一個是Transformers的一個版本。
1:15.194–1:17.139
就是剛才我們提到的。
1:17.139–1:19.472
如果我們沒有去修改的話。
1:19.472–1:20.444
那麼他會。
1:20.444–1:22.000
他會報這個錯誤。
1:22.000–1:27.000
其實這也與我們的這個代碼有關。這的話我們加了這一個。
1:27.000–1:31.412
如果我們只是改這個Transformer沒有在原碼中加那句。
1:31.412–1:32.735
加那兩條一句的話。
1:32.735–1:34.353
那麼一樣會報這個錯誤。
1:34.353–1:35.676
一樣會報這個錯誤。
1:35.676–1:37.000
一樣會報這個錯誤。
1:37.000–1:39.000
然後下面這個錯誤。
1:41.000–1:42.684
下面這個就是沒有問題啊。
1:42.684–1:44.789
你必須要修改這個Pyamon.
1:44.789–1:45.632
audio。
1:45.632–1:47.035
下面的那兩條語句啊。
1:47.035–1:47.877
必須要修改。
1:47.877–1:49.000
然後這裡的話是。
1:49.000–1:54.000
我是寫成了一個GUI程序。然後去方便去使用。
1:54.000–1:59.000
也就是在這兩寫成了一個GUI程序啊。
1:59.000–2:06.000
我們啟用他。他會打開一個圖形界面的一個程序。
2:06.000–2:08.000
然後去。
2:08.000–2:10.000
嗯。
2:10.000–2:12.000
怎麼你還沒起來。
2:12.000–2:15.000
OK。
2:15.000–2:18.000
然後他起來之後的話。他會提示。
2:18.000–2:22.000
正在加載一個模型當中。等他加載完成之後。
2:22.000–2:25.000
我們就可以去選擇音頻或視頻。
2:25.000–2:27.000
選擇異語的音頻或視頻。
2:27.000–2:31.000
把女音信號轉輪文本。文本文字。
2:37.000–2:39.000
加載模型比較慢了。比較費時間。
2:39.000–2:41.000
我們現在運行的是輕薄。
2:41.000–2:43.000
在輕薄本地就能量上運行的。
2:43.000–2:46.000
顯卡的話只有3050的一個顯卡。
2:46.000–2:48.000
以後是4GB的一個顯存。
2:48.000–2:50.000
沒有顯卡的話也是可以跑。
2:51.000–2:52.000
我們可以看到這個。
2:52.000–2:55.000
從這個PyTrain打印的一個日子。
2:59.000–3:01.000
在我們的一個Windows系統中啊。
3:01.000–3:03.000
他是不支持啊。不支持啊。
3:03.000–3:04.000
這個呢。
3:04.000–3:06.000
在這個Windows中。
3:06.000–3:08.000
他會自動去切換使用的。
3:08.000–3:10.000
這個另外一個。
3:10.000–3:13.000
他這裡的話會嘗試去連接。
3:13.000–3:16.000
連接這個hacking費。
3:16.000–3:17.000
啊。
3:17.000–3:22.000
這個generate.py這個文件。
3:22.000–3:24.000
所以他會有問題。
3:33.000–3:34.000
我們等一下。
3:34.000–3:38.000
等他。
3:40.000–3:42.000
我們先把這個環境。
3:42.000–3:43.000
嗯。
3:43.000–3:44.067
如果你訪問這個hacking費。
3:44.067–3:45.000
訪問不到的話。
3:45.000–3:48.000
有一種解決方案是使用國內的一個鏡像。
3:48.000–3:49.000
拍子這個鏡像。
3:49.000–3:52.000
你可以在系統環境變量當中去設置他的一個。
3:52.000–3:53.000
嗯。
3:53.000–3:54.000
或者直接在圓滿。
3:54.000–3:55.000
改圓滿。
3:55.000–3:56.000
把圓滿這個地方去添加。
3:56.000–3:58.000
那這去上面去添加這個。
3:58.000–3:59.000
環境啊。
3:59.000–4:00.000
新的環境。
4:00.000–4:01.000
也是可以的。
4:01.000–4:02.000
而這也的話我們把它關掉。
4:02.000–4:03.000
我們重啟一下。
4:03.000–4:04.000
嗯。
4:10.000–4:11.000
。
4:11.000–4:12.000
OK。
4:12.000–4:13.000
這是起那麼快點。
4:20.000–4:21.000
從他加載這個模型。
4:21.000–4:24.000
然後這個的話。
4:24.000–4:25.000
你看到他提示這裡。
4:25.000–4:27.000
需要去填寫這個hacking費的一個token。
4:27.000–4:28.000
這個token的話。
4:28.000–4:29.000
不是大模型的一個token。
4:29.000–4:30.000
上個視頻也講了。
4:30.000–4:31.000
他不需要這個。
4:31.000–4:34.000
說花錢去購買這個token之類的。
4:34.000–4:35.000
他完全是這個。
4:35.000–4:36.000
這個token是認證的意思啊。
4:36.000–4:37.000
他是那個那個token啊。
4:37.000–4:38.000
他不是指的是大模型的那個資源。
4:38.000–4:39.000
他不是指的。
4:39.000–4:40.000
他不是指的。
4:40.000–4:41.000
他不是指的。
4:41.000–4:42.000
他不是指的。
4:42.000–4:43.000
他不是指的。
4:43.000–4:44.000
他不是指的。
4:44.000–4:45.000
他不是指的。
4:45.000–4:46.000
他不是指的。
4:46.000–4:47.000
他不是指的。
4:47.000–4:48.000
他不是指的。
4:48.000–4:49.000
嗯。
4:49.000–4:50.000
好。
4:50.000–4:51.000
我們現在已經加載完成了。
4:51.000–4:53.000
而要後的話我們就可以去選擇這個文件。
4:53.000–4:54.000
那要處理文件。
4:54.000–4:55.000
可以選擇。
4:55.000–4:56.000
都會了。
4:56.000–4:57.000
他在這裡會列出來。
4:57.000–4:59.000
比如說我們選擇這一個。
4:59.000–5:01.000
官方他提供的26秒的一個。
5:01.000–5:02.000
日語的一個視頻。
5:02.000–5:04.000
我們點擊打開。
5:04.000–5:05.000
然後這一次選擇一個。
5:05.000–5:07.000
你如果選擇多個的話可以按住。
5:07.000–5:08.000
或是Ctrl鍵。
5:08.000–5:09.000
去連選多個。
5:09.000–5:12.000
那以後我們再點擊保存的一個目錄。
5:12.000–5:14.000
比如說我們就保存在這個地方。
5:14.000–5:16.000
我們先把之前的這個轉寫出來的。
5:16.000–5:18.000
SRT格式的永件給delete。
5:18.000–5:19.000
給刪除掉。
5:19.000–5:20.000
然後的話。
5:20.000–5:21.000
我們。
5:21.000–5:23.000
把這個往下拖啊。
5:23.000–5:25.000
可以看到這裡有一個轉寫的一個按鈕。
5:25.000–5:27.000
然後我們點擊這個轉寫。
5:27.000–5:29.000
他就會去處理當中了。
5:29.000–5:30.000
然後我們看到日子他打印了。
5:30.000–5:32.000
這個是Warming不要擔心啊。
5:32.000–5:33.000
不要看到這一片紅。
5:33.000–5:35.000
就以為是爆出還是問題。
5:35.000–5:36.000
OK。
5:36.000–5:37.000
我們看到這個速度還是蠻快的。
5:37.000–5:38.000
我們已經出來了這個結果。
5:38.000–5:41.000
然後我們去打開我們的這個目錄。
5:41.000–5:42.000
就能夠看到。
5:42.000–5:43.000
這個。
5:43.000–5:44.000
剛生成的這個SRT。
5:44.000–5:46.000
標準的一個字幕格式的一個文件。
5:46.000–5:48.000
它裡面保存了什麼內容呢。
5:48.000–5:49.000
我們可以去打開看一下。
5:49.000–5:50.000
我們可以用記事本。
5:50.000–5:52.000
或者說是用這個VSCORN。
5:52.000–5:55.000
比如說我們用VSCORN打開給大家去瞧一瞧。
5:55.000–5:56.000
OK。
5:56.000–5:58.000
打開來看到的一個內容的話。
5:58.000–5:59.000
就是我們的一個標準的一個。
5:59.000–6:00.000
字幕格式。
6:00.000–6:01.000
SRT字幕格式。
6:01.000–6:03.000
序號還有時間戳。
6:03.000–6:04.000
還有這個。
6:04.000–6:06.000
這裡的話還是這個區分講話人的。
6:06.000–6:07.000
區分那個講話人的。
6:07.000–6:09.000
然後這裡是對應的文明內容。
6:09.000–6:14.000
好。
6:14.000–6:17.000
然後大家可以去自己去。
6:17.000–6:20.000
在本地中去部署一下。
6:20.000–6:21.000
試一下。
6:21.000–6:22.000
然後這個的話。
6:22.000–6:24.000
它是在Hotting費中能夠去找到。
6:24.000–6:25.000
然後對應的一個文檔的話。
6:25.000–6:26.000
部署的一個文檔的話。
6:26.000–6:29.000
是把它發布到我的個人博客當中。
6:29.000–6:30.000
需要的。
6:30.000–6:31.000
也可以在我的一個博客。
6:31.000–6:33.000
在我的一個博客中去。
6:33.000–6:35.000
去這個獲取。
6:35.000–6:37.000
我是昨天6月8號發布的。
6:37.000–6:39.000
大家也可以去搜索。
6:39.000–6:40.000
如果找到的話。
6:40.000–6:41.000
你可以去搜索這個。
6:41.000–6:42.000
部署以後這個怎麼讀。
6:42.000–6:43.000
然後Whisper文檔。
6:43.000–6:46.000
然後你如果想要部署OpenAIWhisper的話。
6:46.000–6:48.000
那你可以找我之前也發布過的一個文章。
6:48.000–6:51.000
你可以直接搜索關鍵詞Whisper或者是OpenAIWhisper。
6:51.000–6:52.000
都能夠找到。
6:52.000–6:56.000
然後像之前有人問了怎麼去訓練這個模型的。
6:56.000–6:57.000
這個文章文章的話也有。
6:57.000–7:00.000
那你們也可以去看一下。
7:00.000–7:01.000
還有有需要我。
7:01.000–7:04.000
然後這個的話是前一陣子去發表的。
7:04.000–7:06.000
關於這個部署。
7:06.000–7:08.000
這個VisaNono實施語音。
7:08.000–7:09.000
是個冰淇淨講話人的一個項目。
7:09.000–7:12.000
大家如果不會部署也可以按照文檔來進行部署。
7:12.000–7:14.000
還有其他的像部署千文沙這些都有。
7:14.000–7:16.000
訓練溫州方言啊。
7:16.000–7:18.000
或其他的一個方言和南話四川話的。
7:18.000–7:19.000
都有。
7:19.000–7:20.000
比較詳細的一個。
7:20.000–7:22.000
還有怎麼去採集這個數據。
7:22.000–7:24.000
這個方言是怎麼去採集的啊。
7:24.000–7:29.000
那我們就是給大家去分享到這裡。
7:29.000–7:31.000
還沒關注的也記得關注一下。
7:31.000–7:33.000
拜拜。
0:00.000–0:01.152
zh哈喽大家好,
哈喽大家好,
0:01.152–0:03.456
zh歡迎大家來收看我的視頻。
歡迎大家來收看我的視頻。
0:03.456–0:11.136
zh那麼我們在上一次給大家分享的一個視頻是關於這個Hugging費中開源的這個項目。
那麼我們在上一次給大家分享的一個視頻是關於這個Hugging費中開源的這個項目。
0:11.136–0:17.472
zh然後他是基於OpenAirWhisper來使用這個日語來做優化的。
然後他是基於OpenAirWhisper來使用這個日語來做優化的。
0:17.472–0:20.928
zh也就是對這個日語他識別的會更加準確。
也就是對這個日語他識別的會更加準確。
0:20.928–0:24.000
zh是專門針對日語的一個ASR模型。
是專門針對日語的一個ASR模型。
0:24.000–0:30.988
zh然後我們這裡的話對上一次視頻說的有一個錯誤的地方進行糾正。
然後我們這裡的話對上一次視頻說的有一個錯誤的地方進行糾正。
0:30.988–0:41.831
zh一個就是我們上一個視頻想到說需要去修改這個Transformers下面的Modeling.
一個就是我們上一個視頻想到說需要去修改這個Transformers下面的Modeling.
0:41.831–0:44.000
zhtl這個排成代碼。
tl這個排成代碼。
0:44.000–0:52.000
zh然後其實的話我們還是需要去在官方他提供的代碼記錄上的話再增加這兩條影句。
然後其實的話我們還是需要去在官方他提供的代碼記錄上的話再增加這兩條影句。
0:52.000–1:00.000
zh才能讓他不報那個錯誤。把哪個錯誤能打開。我們給大家去記錄的那個博文。
才能讓他不報那個錯誤。把哪個錯誤能打開。我們給大家去記錄的那個博文。
1:00.000–1:02.261
zhOK來到我們這個博文這裡。
OK來到我們這個博文這裡。
1:02.261–1:04.348
zh16月8號發布這個文章。
16月8號發布這個文章。
1:04.348–1:05.739
zh大家可以去閱讀。
大家可以去閱讀。
1:05.739–1:06.957
zh去對著看一下。
去對著看一下。
1:06.957–1:08.000
zh我們點進來。
我們點進來。
1:08.000–1:11.111
zh我們在這個博文中寫到了有兩個空。
我們在這個博文中寫到了有兩個空。
1:11.111–1:15.194
zh一個是Transformers的一個版本。
一個是Transformers的一個版本。
1:15.194–1:17.139
zh就是剛才我們提到的。
就是剛才我們提到的。
1:17.139–1:19.472
zh如果我們沒有去修改的話。
如果我們沒有去修改的話。
1:19.472–1:20.444
zh那麼他會。
那麼他會。
1:20.444–1:22.000
zh他會報這個錯誤。
他會報這個錯誤。
1:22.000–1:27.000
zh其實這也與我們的這個代碼有關。這的話我們加了這一個。
其實這也與我們的這個代碼有關。這的話我們加了這一個。
1:27.000–1:31.412
zh如果我們只是改這個Transformer沒有在原碼中加那句。
如果我們只是改這個Transformer沒有在原碼中加那句。
1:31.412–1:32.735
zh加那兩條一句的話。
加那兩條一句的話。
1:32.735–1:34.353
zh那麼一樣會報這個錯誤。
那麼一樣會報這個錯誤。
1:34.353–1:35.676
zh一樣會報這個錯誤。
一樣會報這個錯誤。
1:35.676–1:37.000
zh一樣會報這個錯誤。
一樣會報這個錯誤。
1:37.000–1:39.000
zh然後下面這個錯誤。
然後下面這個錯誤。
1:41.000–1:42.684
zh下面這個就是沒有問題啊。
下面這個就是沒有問題啊。
1:42.684–1:44.789
zh你必須要修改這個Pyamon.
你必須要修改這個Pyamon.
1:44.789–1:45.632
enaudio。
audio。
1:45.632–1:47.035
zh下面的那兩條語句啊。
下面的那兩條語句啊。
1:47.035–1:47.877
zh必須要修改。
必須要修改。
1:47.877–1:49.000
zh然後這裡的話是。
然後這裡的話是。
1:49.000–1:54.000
zh我是寫成了一個GUI程序。然後去方便去使用。
我是寫成了一個GUI程序。然後去方便去使用。
1:54.000–1:59.000
zh也就是在這兩寫成了一個GUI程序啊。
也就是在這兩寫成了一個GUI程序啊。
1:59.000–2:06.000
zh我們啟用他。他會打開一個圖形界面的一個程序。
我們啟用他。他會打開一個圖形界面的一個程序。
2:06.000–2:08.000
zh然後去。
然後去。
2:08.000–2:10.000
zh嗯。
嗯。
2:10.000–2:12.000
zh怎麼你還沒起來。
怎麼你還沒起來。
2:12.000–2:15.000
enOK。
OK。
2:15.000–2:18.000
zh然後他起來之後的話。他會提示。
然後他起來之後的話。他會提示。
2:18.000–2:22.000
zh正在加載一個模型當中。等他加載完成之後。
正在加載一個模型當中。等他加載完成之後。
2:22.000–2:25.000
zh我們就可以去選擇音頻或視頻。
我們就可以去選擇音頻或視頻。
2:25.000–2:27.000
zh選擇異語的音頻或視頻。
選擇異語的音頻或視頻。
2:27.000–2:31.000
zh把女音信號轉輪文本。文本文字。
把女音信號轉輪文本。文本文字。
2:37.000–2:39.000
zh加載模型比較慢了。比較費時間。
加載模型比較慢了。比較費時間。
2:39.000–2:41.000
zh我們現在運行的是輕薄。
我們現在運行的是輕薄。
2:41.000–2:43.000
zh在輕薄本地就能量上運行的。
在輕薄本地就能量上運行的。
2:43.000–2:46.000
zh顯卡的話只有3050的一個顯卡。
顯卡的話只有3050的一個顯卡。
2:46.000–2:48.000
zh以後是4GB的一個顯存。
以後是4GB的一個顯存。
2:48.000–2:50.000
zh沒有顯卡的話也是可以跑。
沒有顯卡的話也是可以跑。
2:51.000–2:52.000
zh我們可以看到這個。
我們可以看到這個。
2:52.000–2:55.000
zh從這個PyTrain打印的一個日子。
從這個PyTrain打印的一個日子。
2:59.000–3:01.000
zh在我們的一個Windows系統中啊。
在我們的一個Windows系統中啊。
3:01.000–3:03.000
zh他是不支持啊。不支持啊。
他是不支持啊。不支持啊。
3:03.000–3:04.000
zh這個呢。
這個呢。
3:04.000–3:06.000
zh在這個Windows中。
在這個Windows中。
3:06.000–3:08.000
zh他會自動去切換使用的。
他會自動去切換使用的。
3:08.000–3:10.000
zh這個另外一個。
這個另外一個。
3:10.000–3:13.000
zh他這裡的話會嘗試去連接。
他這裡的話會嘗試去連接。
3:13.000–3:16.000
zh連接這個hacking費。
連接這個hacking費。
3:16.000–3:17.000
zh啊。
啊。
3:17.000–3:22.000
zh這個generate.py這個文件。
這個generate.py這個文件。
3:22.000–3:24.000
zh所以他會有問題。
所以他會有問題。
3:33.000–3:34.000
zh我們等一下。
我們等一下。
3:34.000–3:38.000
zh等他。
等他。
3:40.000–3:42.000
zh我們先把這個環境。
我們先把這個環境。
3:42.000–3:43.000
zh嗯。
嗯。
3:43.000–3:44.067
zh如果你訪問這個hacking費。
如果你訪問這個hacking費。
3:44.067–3:45.000
zh訪問不到的話。
訪問不到的話。
3:45.000–3:48.000
zh有一種解決方案是使用國內的一個鏡像。
有一種解決方案是使用國內的一個鏡像。
3:48.000–3:49.000
zh拍子這個鏡像。
拍子這個鏡像。
3:49.000–3:52.000
zh你可以在系統環境變量當中去設置他的一個。
你可以在系統環境變量當中去設置他的一個。
3:52.000–3:53.000
zh嗯。
嗯。
3:53.000–3:54.000
zh或者直接在圓滿。
或者直接在圓滿。
3:54.000–3:55.000
zh改圓滿。
改圓滿。
3:55.000–3:56.000
zh把圓滿這個地方去添加。
把圓滿這個地方去添加。
3:56.000–3:58.000
zh那這去上面去添加這個。
那這去上面去添加這個。
3:58.000–3:59.000
zh環境啊。
環境啊。
3:59.000–4:00.000
zh新的環境。
新的環境。
4:00.000–4:01.000
zh也是可以的。
也是可以的。
4:01.000–4:02.000
zh而這也的話我們把它關掉。
而這也的話我們把它關掉。
4:02.000–4:03.000
zh我們重啟一下。
我們重啟一下。
4:03.000–4:04.000
zh嗯。
嗯。
4:10.000–4:11.000
en。
。
4:11.000–4:12.000
enOK。
OK。
4:12.000–4:13.000
zh這是起那麼快點。
這是起那麼快點。
4:20.000–4:21.000
zh從他加載這個模型。
從他加載這個模型。
4:21.000–4:24.000
zh然後這個的話。
然後這個的話。
4:24.000–4:25.000
zh你看到他提示這裡。
你看到他提示這裡。
4:25.000–4:27.000
zh需要去填寫這個hacking費的一個token。
需要去填寫這個hacking費的一個token。
4:27.000–4:28.000
zh這個token的話。
這個token的話。
4:28.000–4:29.000
zh不是大模型的一個token。
不是大模型的一個token。
4:29.000–4:30.000
zh上個視頻也講了。
上個視頻也講了。
4:30.000–4:31.000
zh他不需要這個。
他不需要這個。
4:31.000–4:34.000
zh說花錢去購買這個token之類的。
說花錢去購買這個token之類的。
4:34.000–4:35.000
zh他完全是這個。
他完全是這個。
4:35.000–4:36.000
zh這個token是認證的意思啊。
這個token是認證的意思啊。
4:36.000–4:37.000
zh他是那個那個token啊。
他是那個那個token啊。
4:37.000–4:38.000
zh他不是指的是大模型的那個資源。
他不是指的是大模型的那個資源。
4:38.000–4:39.000
zh他不是指的。
他不是指的。
4:39.000–4:40.000
zh他不是指的。
他不是指的。
4:40.000–4:41.000
zh他不是指的。
他不是指的。
4:41.000–4:42.000
zh他不是指的。
他不是指的。
4:42.000–4:43.000
zh他不是指的。
他不是指的。
4:43.000–4:44.000
zh他不是指的。
他不是指的。
4:44.000–4:45.000
zh他不是指的。
他不是指的。
4:45.000–4:46.000
zh他不是指的。
他不是指的。
4:46.000–4:47.000
zh他不是指的。
他不是指的。
4:47.000–4:48.000
zh他不是指的。
他不是指的。
4:48.000–4:49.000
zh嗯。
嗯。
4:49.000–4:50.000
zh好。
好。
4:50.000–4:51.000
zh我們現在已經加載完成了。
我們現在已經加載完成了。
4:51.000–4:53.000
zh而要後的話我們就可以去選擇這個文件。
而要後的話我們就可以去選擇這個文件。
4:53.000–4:54.000
zh那要處理文件。
那要處理文件。
4:54.000–4:55.000
zh可以選擇。
可以選擇。
4:55.000–4:56.000
zh都會了。
都會了。
4:56.000–4:57.000
zh他在這裡會列出來。
他在這裡會列出來。
4:57.000–4:59.000
zh比如說我們選擇這一個。
比如說我們選擇這一個。
4:59.000–5:01.000
zh官方他提供的26秒的一個。
官方他提供的26秒的一個。
5:01.000–5:02.000
zh日語的一個視頻。
日語的一個視頻。
5:02.000–5:04.000
zh我們點擊打開。
我們點擊打開。
5:04.000–5:05.000
zh然後這一次選擇一個。
然後這一次選擇一個。
5:05.000–5:07.000
zh你如果選擇多個的話可以按住。
你如果選擇多個的話可以按住。
5:07.000–5:08.000
zh或是Ctrl鍵。
或是Ctrl鍵。
5:08.000–5:09.000
zh去連選多個。
去連選多個。
5:09.000–5:12.000
zh那以後我們再點擊保存的一個目錄。
那以後我們再點擊保存的一個目錄。
5:12.000–5:14.000
zh比如說我們就保存在這個地方。
比如說我們就保存在這個地方。
5:14.000–5:16.000
zh我們先把之前的這個轉寫出來的。
我們先把之前的這個轉寫出來的。
5:16.000–5:18.000
zhSRT格式的永件給delete。
SRT格式的永件給delete。
5:18.000–5:19.000
zh給刪除掉。
給刪除掉。
5:19.000–5:20.000
zh然後的話。
然後的話。
5:20.000–5:21.000
zh我們。
我們。
5:21.000–5:23.000
zh把這個往下拖啊。
把這個往下拖啊。
5:23.000–5:25.000
zh可以看到這裡有一個轉寫的一個按鈕。
可以看到這裡有一個轉寫的一個按鈕。
5:25.000–5:27.000
zh然後我們點擊這個轉寫。
然後我們點擊這個轉寫。
5:27.000–5:29.000
zh他就會去處理當中了。
他就會去處理當中了。
5:29.000–5:30.000
zh然後我們看到日子他打印了。
然後我們看到日子他打印了。
5:30.000–5:32.000
zh這個是Warming不要擔心啊。
這個是Warming不要擔心啊。
5:32.000–5:33.000
zh不要看到這一片紅。
不要看到這一片紅。
5:33.000–5:35.000
zh就以為是爆出還是問題。
就以為是爆出還是問題。
5:35.000–5:36.000
enOK。
OK。
5:36.000–5:37.000
zh我們看到這個速度還是蠻快的。
我們看到這個速度還是蠻快的。
5:37.000–5:38.000
zh我們已經出來了這個結果。
我們已經出來了這個結果。
5:38.000–5:41.000
zh然後我們去打開我們的這個目錄。
然後我們去打開我們的這個目錄。
5:41.000–5:42.000
zh就能夠看到。
就能夠看到。
5:42.000–5:43.000
zh這個。
這個。
5:43.000–5:44.000
zh剛生成的這個SRT。
剛生成的這個SRT。
5:44.000–5:46.000
zh標準的一個字幕格式的一個文件。
標準的一個字幕格式的一個文件。
5:46.000–5:48.000
zh它裡面保存了什麼內容呢。
它裡面保存了什麼內容呢。
5:48.000–5:49.000
zh我們可以去打開看一下。
我們可以去打開看一下。
5:49.000–5:50.000
zh我們可以用記事本。
我們可以用記事本。
5:50.000–5:52.000
zh或者說是用這個VSCORN。
或者說是用這個VSCORN。
5:52.000–5:55.000
zh比如說我們用VSCORN打開給大家去瞧一瞧。
比如說我們用VSCORN打開給大家去瞧一瞧。
5:55.000–5:56.000
enOK。
OK。
5:56.000–5:58.000
zh打開來看到的一個內容的話。
打開來看到的一個內容的話。
5:58.000–5:59.000
zh就是我們的一個標準的一個。
就是我們的一個標準的一個。
5:59.000–6:00.000
zh字幕格式。
字幕格式。
6:00.000–6:01.000
zhSRT字幕格式。
SRT字幕格式。
6:01.000–6:03.000
zh序號還有時間戳。
序號還有時間戳。
6:03.000–6:04.000
zh還有這個。
還有這個。
6:04.000–6:06.000
zh這裡的話還是這個區分講話人的。
這裡的話還是這個區分講話人的。
6:06.000–6:07.000
zh區分那個講話人的。
區分那個講話人的。
6:07.000–6:09.000
zh然後這裡是對應的文明內容。
然後這裡是對應的文明內容。
6:09.000–6:14.000
zh好。
好。
6:14.000–6:17.000
zh然後大家可以去自己去。
然後大家可以去自己去。
6:17.000–6:20.000
zh在本地中去部署一下。
在本地中去部署一下。
6:20.000–6:21.000
zh試一下。
試一下。
6:21.000–6:22.000
zh然後這個的話。
然後這個的話。
6:22.000–6:24.000
zh它是在Hotting費中能夠去找到。
它是在Hotting費中能夠去找到。
6:24.000–6:25.000
zh然後對應的一個文檔的話。
然後對應的一個文檔的話。
6:25.000–6:26.000
zh部署的一個文檔的話。
部署的一個文檔的話。
6:26.000–6:29.000
zh是把它發布到我的個人博客當中。
是把它發布到我的個人博客當中。
6:29.000–6:30.000
zh需要的。
需要的。
6:30.000–6:31.000
zh也可以在我的一個博客。
也可以在我的一個博客。
6:31.000–6:33.000
zh在我的一個博客中去。
在我的一個博客中去。
6:33.000–6:35.000
zh去這個獲取。
去這個獲取。
6:35.000–6:37.000
zh我是昨天6月8號發布的。
我是昨天6月8號發布的。
6:37.000–6:39.000
zh大家也可以去搜索。
大家也可以去搜索。
6:39.000–6:40.000
zh如果找到的話。
如果找到的話。
6:40.000–6:41.000
zh你可以去搜索這個。
你可以去搜索這個。
6:41.000–6:42.000
zh部署以後這個怎麼讀。
部署以後這個怎麼讀。
6:42.000–6:43.000
zh然後Whisper文檔。
然後Whisper文檔。
6:43.000–6:46.000
zh然後你如果想要部署OpenAIWhisper的話。
然後你如果想要部署OpenAIWhisper的話。
6:46.000–6:48.000
zh那你可以找我之前也發布過的一個文章。
那你可以找我之前也發布過的一個文章。
6:48.000–6:51.000
zh你可以直接搜索關鍵詞Whisper或者是OpenAIWhisper。
你可以直接搜索關鍵詞Whisper或者是OpenAIWhisper。
6:51.000–6:52.000
zh都能夠找到。
都能夠找到。
6:52.000–6:56.000
zh然後像之前有人問了怎麼去訓練這個模型的。
然後像之前有人問了怎麼去訓練這個模型的。
6:56.000–6:57.000
zh這個文章文章的話也有。
這個文章文章的話也有。
6:57.000–7:00.000
zh那你們也可以去看一下。
那你們也可以去看一下。
7:00.000–7:01.000
zh還有有需要我。
還有有需要我。
7:01.000–7:04.000
zh然後這個的話是前一陣子去發表的。
然後這個的話是前一陣子去發表的。
7:04.000–7:06.000
zh關於這個部署。
關於這個部署。
7:06.000–7:08.000
zh這個VisaNono實施語音。
這個VisaNono實施語音。
7:08.000–7:09.000
zh是個冰淇淨講話人的一個項目。
是個冰淇淨講話人的一個項目。
7:09.000–7:12.000
zh大家如果不會部署也可以按照文檔來進行部署。
大家如果不會部署也可以按照文檔來進行部署。
7:12.000–7:14.000
zh還有其他的像部署千文沙這些都有。
還有其他的像部署千文沙這些都有。
7:14.000–7:16.000
zh訓練溫州方言啊。
訓練溫州方言啊。
7:16.000–7:18.000
zh或其他的一個方言和南話四川話的。
或其他的一個方言和南話四川話的。
7:18.000–7:19.000
zh都有。
都有。
7:19.000–7:20.000
zh比較詳細的一個。
比較詳細的一個。
7:20.000–7:22.000
zh還有怎麼去採集這個數據。
還有怎麼去採集這個數據。
7:22.000–7:24.000
zh這個方言是怎麼去採集的啊。
這個方言是怎麼去採集的啊。
7:24.000–7:29.000
zh那我們就是給大家去分享到這裡。
那我們就是給大家去分享到這裡。
7:29.000–7:31.000
zh還沒關注的也記得關注一下。
還沒關注的也記得關注一下。
7:31.000–7:33.000
zh拜拜。
拜拜。

影片筆記：日语语音识别 | Japanese ASR | 日语转写 | 日语视频提取字幕 | 音视频字幕提取 | OpenAI Whisper日语优化后的模型

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

  • 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
  • 待修正：逐字稿可先使用，但有待校正清單（segment=27 adjacent_duplicate: 與前一段完全重複，可能是滾動字幕或 ASR 重複；segment=86 punctuation_only: 段落只有標點或符號）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

⚠️ 警告：逐字稿辨識疑點與校正待辦
根據可讀性檢核結果，以下片段存在識別錯誤或結構問題，不得視為確定事實，請參考「逐字稿辨識疑點」章節進行人工校正：
* Segment 27: adjacent_duplicate — 與前一段完全重複，可能是滾動字幕或 ASR 重複。
* Segment 86: punctuation_only — 段落只有標點或符號。
* Segment 86: unnatural_sentence_boundary — 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語。
請務必檢查原始逐字稿中對應 Segment 27 與 86 的內容，並修正上述識別錯誤後，再將相關資訊整合入本筆記。

一句話總結

講者糾正了前期關於 Hugging Face 日語 ASR 模型部署的代碼修改誤解，並演示了一款基於 OpenAI Whisper 日語優化模型的 GUI 工具，涵蓋從環境配置、Token 認證到批量生成 SRT 字幕的完整流程。

核心重點

  • 代碼修改必要性：僅修改 Transformers 庫原始碼不足夠，必須同時修改官方代碼記錄中的特定語句以及 PyTorch Audio 相關部分，否則會報錯。
  • GUI 工具功能：講者開發了一款圖形界面程序，簡化了模型加載、文件選擇與轉寫過程。
  • 環境與硬體：演示環境為 Windows，硬體為 NVIDIA GeForce RTX 3050（4GB 顯存）。強調無顯卡亦可運行，但速度取決於硬體配置。
  • Hugging Face 訪問問題：通過設置環境變量或使用國內鏡像解決訪問受阻問題；Token 僅用於認證，無需付費。
  • 輸出格式：最終生成標準 SRT 字幕文件，包含序號、時間戳、講話人區分及文字內容。

詳細大綱

1. 前期內容糾正與技術細節

  • 講者指出上一期視頻中關於代碼修改的誤解。
  • 強調必須同時修改兩個部分以避免報錯：
  1. Transformers 庫下的 Modeling 相關代碼。
  2. 官方提供代碼記錄中的特定兩條語句。
  • 必須修改 PyTorch Audio 下的特定語句。

2. GUI 程序功能演示

  • 介紹自行編寫的 GUI 程序，用於簡化操作。
  • 程序啟動後會提示加載模型，過程較慢。
  • 支持選擇音頻或視頻文件進行處理。

3. 環境與硬體限制說明

  • 演示環境為 Windows 系統。
  • 硬體配置：NVIDIA GeForce RTX 3050 顯卡，4GB 顯存。
  • 強調無顯卡亦可運行，但速度取決於硬體。
  • 提及 Windows 系統中自動切換使用的機制。

4. Hugging Face 訪問與 Token 問題

  • 解決 Hugging Face 訪問受阻的問題：使用國內鏡像或設置環境變量。
  • 澄清 Token 用途：僅用於認證，非購買大模型資源，無需付費。

5. 操作流程與結果輸出

  • 選擇官方提供的 26 秒日語視頻進行測試。
  • 支持按住 Ctrl 鍵進行多文件連選。
  • 點擊「轉寫」按鈕處理文件。
  • 解釋運行時的 Warning 訊息（紅色字體）無需擔心。
  • 最終生成標準 SRT 格式字幕文件，包含序號、時間戳、講話人區分及文字內容。

6. 資源分享與後續引導

  • 提供個人博客連結（6月8日發布），包含部署文檔。
  • 推薦搜索關鍵詞：Whisper、OpenAI Whisper、部署、訓練。
  • 提及過往文章涵蓋：模型訓練、方言（溫州話、四川話）部署、數據採集等。

工具 / 模型 / 名詞整理

  • Hugging Face：開源模型平台（逐字稿中聽寫為 "Hugging費"、"hacking費"）。
  • OpenAI Whisper：自動語音識別模型（逐字稿中聽寫為 "OpenAirWhisper"）。
  • Transformers：Python 庫，用於加載和運行預訓練模型。
  • PyTorch Audio：PyTorch 的音頻處理庫（逐字稿中聽寫為 "Pyamon. audio"、"PyTrain"）。
  • GUI 程序：講者自行編寫的圖形界面程序。
  • SRT：字幕文件格式。
  • Windows：作業系統。
  • VSCORN：逐字稿中聽寫為 "VSCORN"，疑為 VS Code。
  • 記事本 (Notepad)：用於查看或編輯文件的工具。
  • NVIDIA GeForce RTX 3050：顯卡型號，4GB 顯存。

操作流程整理

  1. 環境準備：
  • 設置環境變量以解決 Hugging Face 訪問問題（或使用國內鏡像）。
  • 獲取並設置 Hugging Face Token（僅用於認證，免費）。
  1. 啟動 GUI 程序：
  • 運行講者編寫的 GUI 程序。
  • 等待模型加載完成（過程較慢）。
  1. 文件選擇：
  • 選擇要處理的音頻或視頻文件。
  • 可按住 Ctrl 鍵進行多文件連選。
  1. 執行轉寫：
  • 點擊「轉寫」按鈕。
  • 忽略運行時的紅色 Warning 訊息。
  1. 獲取結果：
  • 程序生成標準 SRT 字幕文件。
  • 字幕內容包含序號、時間戳、講話人區分及文字內容。

值得注意的限制或風險

  • 硬體依賴：雖然無顯卡也可運行，但處理速度取決於硬體配置。
  • 模型加載時間：GUI 程序啟動後加載模型過程較慢。
  • 代碼修改複雜性：需同時修改 Transformers、官方代碼記錄及 PyTorch Audio 三個部分，否則會報錯。
  • Warning 訊息：運行時會出現紅色 Warning 訊息，需確認其無害性。

逐字稿辨識疑點

以下為逐字稿中疑似識別錯誤的名稱或術語，請根據上下文或原始音頻進行校正：

  • Hugging費 / hacking費：應為 Hugging Face。
  • OpenAirWhisper：應為 OpenAI Whisper。
  • Modeling. tl：應為 Modeling 相關代碼文件。
  • Pyamon. audio / PyTrain：應為 PyTorch Audio 或 PyTorch。
  • VSCORN：應為 Visual Studio Code (VS Code)。
  • 日語 / 異語 / 女音信號：應為 日語 / 音頻信號。
  • 溫州方言 / 南話：應為 溫州話 / 四川話（方言名稱）。
  • VisaNono實施語音：疑為特定項目名稱或技術術語的誤聽。
  • 冰淇淨講話人：應為 Speaker Diarization（講話人分離）。
  • 千文沙：應為 千問（Qwen）或其他模型名稱。
  • 16月8號：應為 6月8號。

可延伸追問

  • 如何具體設置環境變量來解決 Hugging Face 的訪問問題？
  • 講者編寫的 GUI 程序源代碼是否公開？
  • 對於沒有 NVIDIA 顯卡的用戶，具體的性能損失是多少？
  • SRT 文件中的「講話人區分」功能是如何實現的？

尚未產生學習筆記

請在 Telegram 指令最後加上「學習」，例如：videonote 網址 英文 雙語 學習