Curs gratuit de AI · 71 de lecții
Lecția 44 – Whisper avansat: de la înregistrare la materiale reutilizabile
Ai terminat un interviu cu un invitat și ai rămas cu un fișier audio. Din el ar trebui să iasă un articol, subtitrările pentru video, capitolele de YouTube, câteva citate pentru social media și următorul newsletter. Textul l-ai scos deja cu Whisper în lecția 43, dar e un bloc lung. Nu vezi cine ce a spus și nici la ce secundă. Cum alegi un citat dacă nu știi cine l-a spus? Și cum pui capitolele dacă nu știi la ce minut începe fiecare subiect?
Ce înveți în lecția 44
- Cum afli cine vorbește și când: sunetul, cuvintele și vocile, aliniate în timp ca trei piste într-un editor video
- Cum înlocuiești etichetele automate ale vocilor cu numele gazdei și al invitatului, ascultând câte o replică
- Cum obții în Python un transcript cu vorbitori și marcaje de timp, în cloud cu OpenAI sau local cu Whisper și pyannote
- Ce scrii într-un brief scurt pentru AI: limba, vorbitorii, termenii, publicul, materialele pe care le vrei și tonul
- Cum transformi transcriptul într-un fișier de subtitrare (SRT) cu o funcție Python scurtă
- Cum scoți din același transcript, cu un singur prompt, descrierea episodului, capitole YouTube, citate cu minutul exact și un newsletter
- Cum lași un agent AI, precum Claude Code, să parcurgă rețeta de la cap la coadă și s-o păstreze pentru episodul următor
Unelte folosite în lecție: Whisper, pyannote, OpenAI API, Python, Claude Code.
Interesant
Unele servicii primesc câte o mostră scurtă din vocea fiecărei persoane și îți pot propune direct numele pentru fiecare voce. La data scrierii lecției, OpenAI accepta pentru diarizare până la patru nume, fiecare cu o mostră audio de 2–10 secunde.
În practică
Scrie un brief de câteva rânduri pentru o înregistrare pe care o ai deja: limba, vorbitorii, termenii, publicul, materialele pe care le vrei și tonul. Păstrează-l ca șablon. La următorul episod schimbi doar ce ține de episodul nou, iar AI-ul pornește de fiecare dată de la reperele tale.
Privește înregistrarea ca pe o masă de montaj: pe o pistă e sunetul, pe alta cuvintele, pe a treia vocile, colorate după cine vorbește. Când cele trei se aliniază în timp, o conversație lungă devine un text în care găsești orice replică, vezi cine a spus-o și sari direct la secunda ei.
Pentru cine e: Cine are podcasturi, interviuri sau webinarii înregistrate și vrea din aceeași înregistrare subtitrări, capitole, citate și texte, cu vorbitorii identificați corect.
Vreau lecțiile complete în PDF prin email
Pe scurt
Ce este diarizarea?
Diarizarea împarte o înregistrare după voci și răspunde la întrebarea „ce voce se aude și când?”. Sistemul analizează cum sună vocile și marchează intervalele cu etichete tehnice, de felul SPEAKER_00 și SPEAKER_01. Tu asculți câte o replică și pui numele oamenilor în locul etichetelor. Apoi găsești ușor tot ce a spus fiecare și la ce minut.
Ce pot face cu transcriptul unei înregistrări, în afară de subtitrări?
Îl poți folosi ca sursă pentru mai multe materiale. Dintr-un podcast scoți capitole, citate și postări de promovare. Dintr-un training intern iese un rezumat, întrebări și o fișă de lucru. Dintr-o ședință extragi deciziile, responsabilitățile și pașii următori. Păstrezi același transcript și schimbi doar publicul sau canalul.
Ce este un fișier SRT?
Un fișier SRT e text simplu cu subtitrări. Fiecare bloc are un număr, un interval de timp și replica de afișat în acel interval. Playerele video și platforme precum YouTube îl citesc și arată textul la momentul potrivit. WebVTT are o structură apropiată și se potrivește bine cu paginile web.
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.