音声認識モデルwhisperの全モデル文字起こし比較 - 毎日がEveryday、日々 Day by Day

OpenAIの音声認識モデルWhiper、いやー、まじですごすぎて感動しました。 配信中のpodcast番組 白金鉱業.FMを頑張って文字起こしするために、この記事とか、この記事とかでかなり真面目に既存文字起こしAPIの精度などを比較していましたが、もう今回は比べるまでもなく本当に雲泥の差です。ほぼ一言一句正確に文字起こしできます。GCP, AWS, Azureの文字起こしAPIは文字起こし精度が体感30~60%くらいでしたが、whisperは90%超えている印象です。もう笑うしかないです。 最初に結論 インストール 実行方法 結果 tinyモデルの結果 baseモデルの結果 smallモデルの結果 mediumモデルの結果 largeモデルの結果 まとめ 追記 カタカナ英語 完全制覇 whisperくん せんでんせんでん 最初に結論 whisperは異なるモデルサイズが5種が利用可能であ

[shodai]

“ちなみに、 --task translate オプションを付けると文字起こしした日本語をそのまま英訳変換もしてくれます。便利。”　え。マジ。 [リアルタイム翻訳]

[yarumato]

“発音した音は全部文字起こしされているレベル。マジか。音源時間よりも長く（5倍）処理時間を食う。句読点も付与される。日本語会話で無意識に口走る「ええっと」「まぁ」「あのー」などを見事なまでに消す。”

[misshiki]

“GCP, AWS, Azureの文字起こしAPIは文字起こし精度が体感30~60%くらいでしたが、whisperは90%超えている印象です。もう笑うしかないです。 ”それほどなんだ。

[cocodrips]

ほええ、使ってみたいな