【音声認識2023】Google Colab で「Whisper large-v3」を使ってYouTube動画を文字起こしする（large-v2との精度比較あり）

!pip install -U openai-whisper
!python -m pip install -U yt-dlp

!yt-dlp -x --audio-format mp3 https://youtu.be/5wEtefq9VzM -o "audio.mp3"

import yt_dlp

def download_video_as_mp3(url):
    ydl_opts = {
        'format': 'bestaudio/best',
        'postprocessors': [{
            'key': 'FFmpegExtractAudio',
            'preferredcodec': 'mp3',
            'preferredquality': '192',
        }],
        'outtmpl': 'audio',
    }

    with yt_dlp.YoutubeDL(ydl_opts) as ydl:
        ydl.download([url])

# 例：特定のYouTube動画のURLを指定してダウンロード
download_video_as_mp3('https://youtu.be/5wEtefq9VzM')

import whisper

model = whisper.load_model("large-v3")
result = model.transcribe("audio.mp3")
print(result["text"])

画像処理の機械学習の分野の一つである超解像について、初心者向けに紹介します。
今回は2021年に発表された、リアルESRGAMの公式チュートリアルに沿って実装する方法を紹介したいと思います。
実際に解像度の低い画像を高解像度化しています。
超解像、スーパーリソリューションとは、動画の解像度を二次的に上げる技術のことで、解像度が低い画像の高周波性度を予測、複現して解像度を高めています。
見てもらうとわかると思うんですけど、これが元の画像で、こっちが高解像度化された画像です。
比べてみると、左が元の画像で、右が高解像化された画像です。
よく見ると、画質が良くなっていることがわかると思います。
これが超解像、スーパーリソリューションの技術です。
今回紹介しているリアルESRGAMは、2018年に発表されたりするGAMの進化版で、2021年7月に発表されています。
普通の画像だけでなく、こんな風に、アイメイの画像や動画にも対応したモデルが用意されているのが特徴です。
あと4Kの画像を16Kの画像として出力することもできたりします。
実装方法も紹介しようと思ったんですけど、ニールがなくなってきたので、ここまでにしようと思います。
詳細はリンク先を見てみるといいと思います。
お疲れ様でした。

画像処理の機械学習のVM一つである超解像について初心者向けに紹介します。
今回は2021年に発表されたリアルESRGAMの公式チュートリアルに沿って実装する方法を紹介したいと思います。
実際に解像度の低い画像を高解像度化してみます。
超解像、スーパーリソリューションとは、画像や動画の解像度を微次的に上げる技術のことで、解像度が低い画像の高周波性分を予測、複元して解像度を高めています。
見てもらうとわかると思うんですけど、これが元の画像で、こっちが高解像度化された画像です。
比べてみると、左が元の画像で、右が高解像化された画像です。
よく見ると画質が良くなっていることがわかると思います。
これが超解像、スーパーリソリューションの技術です。
今回紹介しているリアルESRが2018年に発表されたSURGAMの進化版で、2021年7月に発表されています。
普通の画像だけでなく、こんな風にアニメの画像や動画にも対応したモデルが用意されているのが特徴です。
あと、4Kの画像、16Kの画像として出力することもできたりします。
実装方法も紹介しようと思ったんですけど、ニールが無くなってきたので、ここまでにしようと思います。
詳細はリンク先を見てみるといいと思います。
お疲れ様でした。

文章AとBを比較すると、文章Aの方が全体的に自然に感じます。文章Bにはいくつかの誤字があります。
例えば、「VM」は「分野」の誤字であり、「微次的に」は「二次的に」の誤字である可能性が高いです。
「ニール」も意味が不明確ですが、これは「時間」または「エネルギー」という意味かもしれません。
また、「アイメイ」は「アニメ」の誤字のようです。

一方で、文章Aでは「リアルESRGAM」が「リアルESRが」と誤記されており、「りするGAM」は「ESRGAN」の誤記である可能性があります。
しかし、文章Aでは超解像技術についての説明が一貫しており、具体的な技術名も一貫しています。
文章Bには同様の情報が含まれていますが、細かな誤字が自然さを損なっています。

文章Aの方が説明がわかりやすく、技術用語の使い方も適切であるため、文章Aの方が自然であると言えます。