Viete, aké je to stráviť tri hodiny ručným prepisom hodinového rozhovoru, aby ste zistili, že na minúte 47 sa rečník zasekol a vy musíte celý odstavec prerobiť?
Presne toto trápi každého, kto tvorí podcasty, videá na YouTube alebo prednášky. A pritom stačí jeden nástroj, ktorý je zadarmo, beží lokálne a zvládne slovenčinu aj s diakritikou lepšie ako komerčné alternatívy. Reč je o OpenAI Whisper – a v tomto článku vám ukážem presne, ako ho zapojiť do pracovného postupu.
Prečo práve Whisper?
Whisper je open-source model na prepis reči, ktorý OpenAI uvoľnila v roku 2022. Odvtedy sa stal štandardom pre všetkých, ktorí potrebujú presné titulky bez mesačných poplatkov. Kým komerčné služby ako Descript alebo Rev.com stoja od 16 $ mesačne (Descript pri ročnej platbe) alebo 1,99 $ za minútu ľudského prepisu (Rev.com), Whisper beží zadarmo na vašom počítači. Jedinou podmienkou je rozumná grafická karta – na prepis hodiny videa s modelom large-v3 potrebujete približne 10 GB VRAM. Ak máte starší GPU, zvládnete to aj s menším modelom medium, ktorý vyžaduje len 5 GB.
Inštalácia: Dve cesty
Ak ste technicky zdatnejší, stačí jeden príkaz v termináli:
pip install openai-whisper
Potom už len spustíte prepis:
whisper video.mp4 --language cs --model medium --output_format srt
Pozor na jednu vec: Whisper nemá natívnu podporu slovenčiny vždy spoľahlivo. V praxi sa osvedčuje prepisovať s jazykom cs (čeština) a následne diakritiku doladiť. Slovenský model totiž občas zamieňa ä za e a robí problémy s mäkčeňmi. S českým modelom dosiahnete konzistentnejšie výsledky, ktoré potom stačí prehnať cez automatickú korektúru.
Ak nechcete siahať na terminál, existuje grafické rozhranie WhisperDesktop od Const-me, ktoré beží na Windows a nevyžaduje žiadnu inštaláciu Pythonu. Stačí stiahnuť, rozbaliť a nahrať súbor. Toto je ideálna voľba pre redaktorov, ktorí chcú rýchly výsledok bez technických detailov.
Pracovný postup: Od videa k titulkom za 5 minút
Poďme na konkrétny príklad. Máte hodinový podcast v MP4 a chcete titulky do YouTube. Postup je nasledovný:
-
Príprava zvuku – Whisper zvládne video priamo, ale ak máte dlhý súbor, odporúčam najprv extrahovať audio cez
ffmpeg -i video.mp4 -ar 16000 audio.wav. Znížite tým nároky na pamäť a zrýchlite spracovanie. -
Samotný prepis – Spustíte Whisper s modelom
mediuma formátomsrt. Čas spracovania je približne 10:1 (desať minút videa na jednu minútu výpočtu) na bežnej RTX 3060. S lepšou kartou ako RTX 4090 to stlačíte na 1:3. -
Korektúra – Whisper má tendenciu zamieňať podobne znejúce slová, najmä pri šume v pozadí alebo prekrývajúcich sa hlasoch. Prejdite si výstup a opravte mená a odborné termíny. Tu sa oplatí investovať 10 minút – výsledok je potom profesionálny.
-
Export – Súbor SRT importujete priamo do YouTube, alebo ho cez nástroj ako Subtitle Edit upravíte na vlastné časovanie.
Typické chyby a ako sa im vyhnúť
Začínajúci používatelia robia tri zásadné chyby. Prvou je prepis videa s hudbou na pozadí. Whisper síce zvláda šum, ale pri piesni na pozadí si vymýšľa slová, ktoré nikto nepovedal. Riešenie: použite filter na oddelenie hlasu, napríklad Demucs, a až potom pustite Whisper.
Druhou chybou je ignorovanie parametra --initial_prompt. Tento parameter dokáže výrazne zlepšiť presnosť, ak v ňom uvediete mená rečníkov a špecifické termíny z vášho odvetvia:
whisper audio.wav --initial_prompt "Rozhovor s Jánom Kováčom o AI, strojovom učení, neurónových sieťach."
Treťou chybou je prepis dlhých súborov naraz. Whisper spracúva zvuk v 30-sekundových oknách a dlhšie nahrávky skladá segmentáciou. Dlhšie súbory rozdeľte na menšie časti – predídete tým pamäťovým problémom a znížite riziko, že sa model v polovici zasekne.
Alternatívy a kedy ich použiť
Whisper nie je jediná hra na trhu. Google Speech-to-Text ponúka lepšiu presnosť pre slovenčinu, ale stojí 0,016 USD za minútu a vyžaduje cloud. AssemblyAI zase ponúka pokročilé funkcie ako detekciu rečníkov, ale po vyčerpaní úvodného kreditu 50 $, ktorý dostanete pri registrácii, sa platí za každú spracovanú hodinu.
Pre bežného tvorcu je Whisper najlepší pomer ceny a výkonu. Ak však natáčate rozhovory s viacerými ľuďmi a potrebujete automatické označenie, kto práve hovorí, siahnite po WhisperX – rozšírení, ktoré pridáva diarizáciu (rozdelenie podľa rečníkov) a presnejšie časové pečiatky.
Čo si vybrať?
Ak máte grafickú kartu s aspoň 6 GB VRAM, choďte do Whisperu s modelom medium. Je to zlatá stredná cesta medzi rýchlosťou a presnosťou. Ak prepisujete len občas a nechce sa vám nič inštalovať, siahnite po WhisperDesktop. Ak máte profesionálne nároky a potrebujete diarizáciu, investujte čas do WhisperX.
V každom prípade platí: Whisper vám ušetrí desiatky hodín mesačne a výsledok je porovnateľný s platenými službami. A to za cenu, ktorá je – nulová.
Erikov kreatívny tip
Neobmedzujte sa len na titulky. Whisper môžete použiť aj na generovanie časových kódov pre kapitoly vo videu, automatické vytváranie popisov pre sociálne siete alebo dokonca na preklad vlastných myšlienok – stačí nahrať hlasovú poznámku a nechať si ju prepísať. Skúste to s parametrom --task translate, ktorý vám rovno preloží prepis do angličtiny. Je to skvelý spôsob, ako sprístupniť svoj obsah medzinárodnému publiku bez toho, aby ste museli prekladať ručne.
