Text aus Video extrahieren oder transkribieren
Die Aufgabe: aus einem längeren Schulungsvideo den Text extrahieren, oder neudeutsch transkribieren
Dazu habe ich per WinGet Buzz installiert.
Im Windows Terminal folgenden Befehl eingeben und ausführen
winget install ChidiWilliams.BuzzEvtl. funkt noch der Windows Defender dazwischen, weil ihm das Programm unbekannt ist oder nicht signiert. In dem Fall auf [weitere Informationen] und dann [Trotzdem ausführen] klicken.
Alternativ kann man die Datei auch direkt von SourceForge laden, und zwar hier
Falls Ihr hinter einem Proxy oder einer restriktiven Firewall arbeitet, müssen evtl. noch die folgenden URLs freigegeben werden:
- huggingface.co
- hf.co
- openaipublic.azureedge.net
Nach der Installation Buzz starten.
Unter Hilfe - Einstellungen findet man die Registerkarte Modelle.
Dort das gewüschte Sprachmodell auswählen. Je nach Ausstattung des Rechners ein entsprechendes Modell wählen und herunterladen.
Unter Hilfe - Einstellungen - Allgemein kann man z.B. noch definieren, wo die fertig erzeugten Dateien gespeichert werden.
Dabei wird man noch nach weiteren Einstellungen für diesen Auftrag gefragt
Bei klick auf Ausführen wird das Transkribieren direkt gestartet.
Anschliessend kann man den Fortschritt in einer Art Statuszeile verfolgen.
Nach Fertigstellung von Buzz findet man die Ausgabe meist auf dem Desktop, diese kann man bei Bedarf noch durch eine KI formatieren und auf Rechtschreibung prüfen lassen.
Der erste Test lief auf einem Lenovo P3 Tower mit Intel Core i7-13700, 128GB RAM und einer Nvidia RTX 4000 mit 20GB.
Verwendet wurde als LLM Modell Faster Wisper (Large-v3-turbo).
Das transkribieren eines ca. 95 Minuten langen MP4-Videos war auf dieser Hardware nach 53 Sekunden erledigt. Die Spracherkennung war fast perfekt.
Der zweite Test mit der selben Videodatei wie zuvor lief auf einem Lenovo Thinkpad Notebook mit Intel Core i7-10510U, 16GB RAM und einer Intel UHD Grafik (OnBoard) mit 128MB.
Verwendet wurde als LLM Modell Faster Wisper (Tiny).
Das transkribieren desselben ca. 95 Minuten langen MP4-Videos dauerte auf dieser Hardware ca. 140 Minuten. Die Spracherkennung war gut, aber nicht auf dem Level bei dem anderen Test.