Curs gratuit de AI · 71 de lecții
Lecția 43 – Din voce în text: transcrierea audio cu AI
Ai înregistrarea unei ședințe de o oră. Undeva în ea s-a stabilit termenul unui proiect, dar nu mai ții minte cine l-a propus și în ce minut. Îi dai drumul, derulezi, te întorci, asculți din nou. Între timp, echipa așteaptă de la tine procesul-verbal al ședinței.
Ce înveți în lecția 43
- Cum găsești repede un moment dintr-o ședință de o oră căutând un cuvânt în transcript, adică în textul ședinței
- Cum faci din același transcript un proces-verbal, un email, o listă de acțiuni sau subtitrări pentru video
- Cum transformă Whisper sunetul într-o imagine, apoi în text (e un model OpenAI care rulează și pe calculatorul tău)
- De ce un microfon pus mai aproape de vorbitor ajută uneori mai mult decât schimbarea modelului
- Trei alegeri înainte de transcriere: pe calculatorul tău sau la un serviciu online, înregistrare existentă sau vorbire în timp real, text sau subtitrări
- Patru moduri de a ajunge la primul transcript, inclusiv un asistent AI care instalează uneltele și rulează comenzile pentru tine
- Cum scrii cu AI o rețetă (instrucțiuni pe care le refolosești) care face din fiecare transcript nou un proces-verbal în formatul folosit de echipa ta
Unelte folosite în lecție: Whisper, Claude Code, OpenAI API, Python, FFmpeg.
Interesant
Când un sunet se potrivește cu mai multe cuvinte, Whisper ține cont de ce a scris deja și de limba aleasă. Așa poate scrie propoziții coerente, cu punctuație, chiar când înregistrarea are pauze și ritm neregulat.
În practică
Transcrie înregistrarea unei ședințe recente, cu limba setată pe română. Dă textul AI-ului împreună cu promptul de proces-verbal din lecție. Primești deciziile și acțiunile, fiecare cu minutul ei. Păstrează promptul pentru ședința următoare.
O înregistrare e ca un râu: fiecare propoziție trece prin fața ta și curge mai departe. Transcriptul îi desenează o hartă, cu repere la care te poți întoarce oricând. Tonul și pauzele rămân în râu, iar harta te duce înapoi exact la ele.
Pentru cine e: Cine are înregistrări de ședințe, interviuri sau note vocale și vrea să caute în ele și să scoată din ele un document, fără să reasculte totul.
Vreau lecțiile complete în PDF prin email
Pe scurt
Ce este Whisper și cum transformă sunetul în text?
Whisper e o familie de modele de transcriere de la OpenAI. Codul și modelele sunt publicate sub licență MIT, deci le poți descărca și rula pe calculatorul tău. Whisper transformă sunetul într-o spectrogramă log-Mel, care arată cum se împarte energia pe frecvențe de la un moment la altul. O parte a modelului citește din ea tiparele vorbirii, iar alta scrie textul bucată cu bucată, folosind și contextul.
Ce pot face cu transcriptul unei înregistrări?
Poți căuta în el un nume, o decizie sau un termen. Cu marcajele de timp, sari direct la momentul acela din înregistrare. Din același text faci un proces-verbal, un email, o listă de acțiuni, subtitrări pentru video sau material pentru un articol. Îi spui AI-ului ce formă vrei, iar el rearanjează textul după ea.
Am nevoie să știu programare ca să transcriu o înregistrare cu AI?
Nu neapărat. Dacă ai o aplicație de transcriere, încarci fișierul, alegi limba română și exporți textul. Dacă vrei să rulezi Whisper pe calculatorul tău, Claude Code poate verifica sistemul, instala uneltele și rula comenzile. Tu îi spui ce rezultat vrei și aprobi pașii care schimbă ceva pe calculator.
Primești lecțiile pe email, câte una pe săptămână
Lecția 1 vine imediat. Gratuit, mereu. O citești și decizi tu dacă merită să continui.
Inginer. Lucrez de peste 20 de ani în tehnologii emergente și AI. Construiesc sisteme cu modele de limbaj pentru firme și explic AI-ul pe românește: la conferințe, la TV, în workshopuri și în cursul ăsta.