Whisper + NemoASR + ChatGPT 实现语言转文字、说话人识别、内容总结等功能
引言
2023年，IT领域的焦点无疑是ChatGPT，然而，同属OpenAI的开源产品Whisper似乎鲜少引起足够的注意。
Whisper是一款自动语音识别系统，可以识别来自99种不同语言的语音并将其转录为文字。
如果说ChatGPT为计算机赋予了大脑，那么Whisper则为其赋予了耳朵。
想象一下，在企业应用领域，我们能够利用Whisper将语音转化为文字，然后再借助ChatGPT来进行翻译或总结。
接下来，我们将以实际操作为出发点，逐步向您介绍如何利用AI实现音频、视频的内容总结。
前期准备
GPU
首先，我们需要解决硬件方面的问题。
虽然OpenAI提供了HTTP API来调用Whisper，但对于企业而言，将内部内容交给OpenAI始终存在一定的安全风险。
本地运行AI模型则需要大量的计算资源。
如果仅使用CPU进行计算，一个大约10分钟的语音转录任务可能需要花费4倍以上的时间。
因此，我们必须引入GPU进行计算加速。
考虑到Colab在国内无法访问，我们建议在Kaggle上运行演示。
请大家注册Kaggle账户，并完成手机号验证（Kaggle的GPU需要完成手机号验证后才能使用）。
Azure ChatGPT
ChatGPT是我们语音内容总结的核心工具。
我们建议使用Azure OpenAI服务。
您可以参考以下文章来申请：Azure OpenAI Service申请教程
kintone
kintone是我们用来存储记录的平台。我们需要创建一个名为“Reports”的应用程序（APP），并定义以下表单字段：
运行
您可以在这里找到演示代码：
GitHub - kintone-samples/SAMPLE-kintone-narrator-cn: Utilize AI to summarize video/audio content and upload it to Kintone.
点击“open in kaggle”。
请按照以下步骤操作：
1.点击Edit，进入编辑状态
2.在右侧的Notebook options中，我们需要将Acceleator选为GPU T4*2
注：
-
没验证手机的账户不会显示Acceleator选项。
-
GPU P100不支持当前默认float16运算，选择该显卡的用户请将“语音转录&对齐”中的compute_type设为float32。
-
TPU尚未测试支持。
3.找到名为“Azure OpanAI ChatGPT 总结”和“将总结内容上传”的代码单元（cell），然后根据您自己的环境设置进行配置。
4.点击页面上方的“Run All”按钮以开始运行演示。
等待程序运行结束即可。
下面我将对会每个代码单元的功能进行简要说明，感兴趣的可以继续往下研究：
Whisper + NemoASR + ChatGPT 实现语言转文字、说话人识别、内容总结等功能