早上九點多，剛到公司開在路上開完早會，手機螢幕突然亮起，是女友傳來的訊息：「救命啊！我們老闆要我做昨天下班前會議的逐字稿，但我今天工作排超滿，根本沒空處理，你有什麼辦法可以救救我嗎？」
然後就把錄音檔傳過來。
老實說其實我也不太知道怎麼把錄音檔轉成文字檔。之前因為做podcast，剪輯簡介之類的要自己做實在太累了，我就有想做把我podcast的錄音檔去產出逐字檔，但我發現網路上轉換語音檔功能大部分都要錢。也有很多幫你把 podcast檔案轉成逐字稿，做簡介，甚至分對話角色的服務，當然要價都不低。畢竟現在和AI扯上邊什麼都要錢。
最近在玩 Zebear 伺服器，裡面有很多寫好的模版放開源的工具，例如筆記軟體可以用開源的AFFiNE自己架，甚至訂閱費用越來越貴的Figma也有可以替代的開源軟體。
Wisper 語音檔轉成文字
不過為了要完成可愛女友的要求，我只好問一下chatgpt 有沒有什麼開源工具可以完成這個需求。gpt和我說了很多工具，他最推薦 Wisper 說是有中文支援。我看了一下。欸，使用方式滿簡單，只需要用 python和安裝套件就可以了。就想說來試試看。
Whisper 安裝方式：
pip install whisper ffmpegWhisper 使用指令：
whisper your-audio.mp3 --language Chinese --task transcribe
your-audio.mp3 是你的錄音檔。
然後你會看到他開始在轉換錄音檔，真的會把錄音內容識別出來。
雖然中文錯字還是很多，但至少是堪用的程度。
我是使用 m1 的 mac 去跑，m1 沒有 gpu好像會稍微慢一些，但也還算是可以轉。四十分鐘的錄音檔案大概轉了半個小時多一些，雖然有點久，但有成功完成任務就可以。
系統用量
記憶體和cpu用量算滿大的。
下一步，自動化
其實也不是真的自動化，因為還是需要上傳檔案然後產出逐字稿。應該說把這個服務做成產品，也就是作一個UI介面。
UI 流程圖
- 登入頁面 使用者首先進入登入畫面，通過帳號密碼驗證後，才能進入主系統頁面，也是為了紀錄使用者轉換的紀錄。
- 檔案上傳頁面 登入成功後，使用者會來到上傳頁面，可以：
- 選擇新的錄音檔進行上傳查看「檔案列表區塊（F）」中過去上傳過的檔案與其處理狀態
- 檔案列表區塊（F） 此區塊顯示：
- 上傳過的所有錄音檔清單每個檔案的處理狀態（如「轉換中」、「完成可下載」、「失敗」）可提供跳轉或下載按鈕
- 轉換中頁面（C） 當使用者上傳新的錄音檔後，會進入此頁面，顯示逐字稿處理進度 （也可以改為在列表中即時顯示「轉換中」，非強制跳頁）
- 逐字稿結果頁面（D） 轉換完成後，使用者可以：
- 閱讀逐字稿進行下載或返回重新上傳其他檔案
- 下載成功提示（E） 成功下載後，系統提示使用者已完成操作，並可返回上傳頁面。
大概的頁面流程設計如上。雖然我比較擔心的是伺服器轉換要多久。
