Без лишних предисловий – к делу.
Задача:
Упростить конспектирование видео с ютуба
Можно по 10 раз пересматривать и перематывать видео, а можно воспользоваться последними достижениями науки и техники.
Установка
Ставим питон 3.10. Рекомендую ставить через pyenv.
Ставим ffmpeg и yt-dlp. Команды пишу под мак.
# ffmpeg
brew install ffmpeg
# yt-dlp
wget https://github.com/yt-dlp/yt-dlp/releases/latest/download/yt-dlp_macos
chmod +x yt-dlp_macos
sudo mv yt-dlp_macos /usr/local/bin/yt-dlp
Ставим whisper. Желательно, в папку с virtualenv:
pip install -U openai-whisper
Использование
Качаем видео в формате аудио. ba == bestaudio.
yt-dlp -f "ba" -o "to_transcribe.%(ext)s" "https://youtube.com/watch?v=6VhD5QyDEh4"
Если скачался webm, конвертим в aac:
ffmpeg -y -i "to_transcribe.webm" "to_transcribe.aac"
Подставляем в whisper:
python -m whisper --model medium to_transcribe.aac
Если у вас больше 10G оперативы или памяти на GPU, можно менять модель model с medium на large. Но и результата придётся ждать в два раза дольше.
Наслаждаемся результатом. Пользуясь случаем, рекомендую утилиту bat:
cat to_transcribe.txt
На 4 ядрах при 8 потоках (i3-10105, 3.7 ГГц) и 8гб оперативы, заняло 16 минут на видео из примера.
Из полученного текста куда проще слепить конспект.