Whisper Web オンライン音声認識ツール

導入

Whisper は、2023 年に OpenAI によってオープンソース化された音声テキスト変換モデルです。このチュートリアルは、GitHub 上のオープンソース プロジェクト Whisper Web に基づいており、Whisper を使用してブラウザで直接実行されます。

Whisper は音声認識用の ML に基づいており、WebGPU によって高速化できます。オンライン/ローカルのオーディオ ファイルのアップロードと 100 以上の言語での即時録音をサポートし、認識されたテキストは TXT および JSON ファイル形式へのエクスポートをサポートし、英語に直接翻訳することもできます。

エフェクト表示

実行方法（コンテナ起動後、初期化に10秒程度かかり、その後以下の操作を行います）

1. コンテナを複製して起動した後、API をブラウザにコピーします

2. オンライン/ローカルアップロードまたはリアルタイム録音を通じてオーディオファイルを取得します

3. ニーズに基づいたモデルの選択

4. モデルの選択が完了したら、結果を直接生成します