　　　　On a Thread of the Web: Whisper

2022年12月8日木曜日

Whisper

人工知能関連システムを次々と産み出している非営利団体のOpenAIが最近試験公開してあっという間にユーザ100万人を集めた大規模言語モデルに基づく対話システムChatGPT（GPT-3.5）についてこれまで毎日書いてきた。ギリアのファウンダー・顧問であるプログラマー清水亮（画像生成AI（４）参照）が，BUSINESS INSIDER に"チャットできるAI、ChatGPTが「そこまですごくない」理由。見えてしまった限界"という記事を書いていた。ちょっと逆張り気味だけれど，AIに関連するプログラマーからみればそうなのかもしれない。

そのOpenAIが出しているWhisperという音声認識システムをフリーで提供していた。日本語にも対応しているようなので早速インストールしてみた。

pip3 install git+https://github.com/openai/whisper.git
brew install ffmpeg
pip3 install setuptools-rust
whisper japanese.wav --language Japanese

ffmpegとrustはインストール済みだったので，不要だ。例文の音声ファイルとしては，子供プログラムマーから借用する。

$ whisper voice2.wav --language Japanese
/opt/homebrew/lib/python3.10/site-packages/whisper/transcribe.py:70: UserWarning: FP16 is not supported on CPU; using FP32 instead
warnings.warn("FP16 is not supported on CPU; using FP32 instead")
[00:00.000 --> 00:03.680] 次はやや長めの音声ファイルを試してみます。
[00:03.680 --> 00:09.480] スピーチリコグニションではさまざまな音声認識エンジンをサポートしているようです。
[00:09.480 --> 00:17.800] この動画ではGoogleスピーチリコグニションの音声認識エンジンを使って音声ファイルを文字起こししてみています。
[00:17.800 --> 00:23.000] プログラムのコード時代は少なくてもこれだけのことができてしまうのですね。
[00:23.000 --> 00:32.640] まだ知らない方はキットハブ、非公開してくださっているサンプルコードな動参行にしながらいろいろと試してみてください。

5.8MBの33秒の音声ファイルで210文字くらいものが90秒で文字起しできた。もうちょっと速いといいのだが。

P. S. ホームディレクトリを眺めていたら，test.mp3とtest.mp3.txtとtest.mp3.vttという3つのファイルが並んでいた。あれ？これはWhisperの出力ファイルだろう。テキストファイルの中身は1行の英文。タイムスタンプから9/23に作成したファイルだとわかったので，メモ（Appleのアプリケーション）の内容を振り返ってみた。なんのことはない9/23にWhisperをインストールしていた。そのことをすっかり忘れてしまって，今日再インストールしたというわけだ。前回から進歩したのは日本語音声で試したということだけか。うーん，記憶機能の経年劣化が進んでいる。

［閑話休題］

2018年12月8日に「真珠湾攻撃から77年」の記事でこのブログをスタートしてから4周年を迎えた。その1周年は「１２月８日（Blogger １周年）」であり，この時の全期間ページビュー（PV）は4867だった。統計情報によれば，現在の全期間PVが4.63万，過去12ヶ月PVが1.40万である。ということで，2019年：0.49万PV=13pv/d，2020年：1.42万PV=39pv/d，2021年：1.31万PV=36pv/d，2022年：1.40万PV=38pv/dとなる。

過去12ヶ月間のアクセスランキングでは，(1) 丸山レクチャー（2022.3.01, 184 PV），(2) 米山保三郎（2019.11.16, 70/195 PV），(3) 献灯史：多和田葉子（2019.1.13, 66/94 PV），(4) TikZの円弧（2021.3.12, 57/205 PV），(5) 世界計量記念日（2019.5.20, 43/78 PV）であった。最近のものはあまり出ていなくて，アクセス数は順調に減っている。