Το FFmpeg, ένα απαραίτητο εργαλείο πολυμέσων ανοιχτού κώδικα, περιλαμβάνει πλέον ένα νέο φίλτρο ήχου af_whisper που επιτρέπει την αυτόματη αναγνώριση ομιλίας (ASR) απευθείας μέσα στο οικοσύστημα του FFmpeg. Χρησιμοποιεί τη βιβλιοθήκη whisper.cpp, η οποία προσθέτει ένα ισχυρό μοντέλο τεχνητής νοημοσύνης στις ροές εργασίας επεξεργασίας πολυμέσων. Αυτή είναι μια σημαντική κίνηση για το FFmpeg επειδή μεταφέρει το λογισμικό πέρα από την παραδοσιακή επεξεργασία πολυμέσων στον κόσμο της τεχνητής νοημοσύνης.
Οι επιλογές του νέου φίλτρου επιτρέπουν ευέλικτη μεταγραφή, συμπεριλαμβανομένης της επιλογής του μοντέλου AI, του καθορισμού της γλώσσας και της ρύθμισης της μορφής εξόδου, όπως κείμενο, SRT ή JSON. Μπορεί να χειριστεί προηχογραφημένα αρχεία και ζωντανές ροές ήχου και οι χρήστες μπορούν επίσης να χρησιμοποιήσουν την Ανίχνευση ενεργοποίησης φωνής (VAD) για να βελτιώσουν την ακρίβεια και την αποτελεσματικότητα της μεταγραφής.
Το φίλτρο χρησιμοποιεί μια τεχνική ουράς που επιτρέπει στους χρήστες να εξισορροπούν μεταξύ της ακρίβειας της μεταγραφής και της ταχύτητας επεξεργασίας. Υποστηρίζει επίσης την επιτάχυνση GPU, η οποία μπορεί να επιταχύνει σημαντικά τη διαδικασία μεταγραφής. Για τους χρήστες, αυτή η λειτουργία αντικαθιστά την ανάγκη για εξωτερικές διαδικασίες μεταγραφής πολλαπλών βημάτων, ενοποιώντας τις εργασίες σε μια ενιαία, αποτελεσματική ροή εργασίας γραμμής εντολών.
Το νέο φίλτρο είναι σε θέση να δημιουργεί αρχεία υποτίτλων, όπως αρχεία SRT για βίντεο και podcast, ενώ επιτρέπει επίσης ζωντανές μεταγραφές ήχου για streaming ή άλλες εφαρμογές σε πραγματικό χρόνο. Το φίλτρο είναι σε θέση να σας παρέχει μεταδεδομένα εξόδου που μπορούν να χρησιμοποιηθούν για περαιτέρω αυτοματοποίηση εντός του FFmpeg. Η νέα λειτουργία απλοποιεί τη διαδικασία για τους δημιουργούς περιεχομένου, τους αρχειονόμους και τους προγραμματιστές και εξοικονομεί επίσης σημαντικό χρόνο και προσπάθεια για όποιον θέλει να μεταγράψει ηχητικό περιεχόμενο.
Αυτή η ενσωμάτωση θέτει ένα προηγούμενο για την προσθήκη άλλων μοντέλων τεχνητής νοημοσύνης και μηχανικής μάθησης από το FFmpeg στο μέλλον. Επίσης, εδραιώνει τη θέση του FFmpeg ως εργαλείου πολυμέσων που αποτελεί πρότυπο στον κλάδο. Ενώ ορισμένοι μπορεί να ανησυχούν για την τεχνητή νοημοσύνη, είναι σαφές ότι θα διαποτίσει τα περισσότερα λογισμικά στο μέλλον.
