基于OpenAI Whisper模型

杨净 发自 凹非寺

量子位 | 公众号 QbitAI

现在剪视频,已经可以精准到每一个字了!

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

只需点击你要删减或者要留下的单词,AI分分钟都能给你整出新的视频来。

这操作,有点大爆炸功能内味了。老罗:打钱!

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

不管是MV、访谈、电影片段各种类型视频,也不论有无字幕,通通不在话下。

网友们纷纷开始试玩了起来。比如让rick roll鬼畜起来~

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩
视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

就连中文视频也能Hold住。实测Demo发现,它甚至直接翻译成了英文。

不过这也并不影响整个操作,毕竟背后模型是支持中文在内的多个语言的。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

精准到每个字剪视频

只需三步,就可以轻松完成精准到字视频剪辑——

上传视频、选择删减/留下的单词、下载视频。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

释出的有三个示例,烹饪的美食视频、小扎采访、以及「Just Do IT」……

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

当然你也可以自己试玩,各种语言都能识别。比如就以让子弹飞一段经典对白为例。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

绿色代表保留,红色代表删除。你有三种选择:剪辑、选择所有单词、重新设置。

任意选择保留单词之后,就可以「Cut Video」了。此处选择两处跳脱的台词。最终只花了不到十秒钟就完成了剪辑。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

画面切换可以说是十分顺滑了~整个Demo试玩在T4上运行。

基于Whisper模型

这是个荷兰开发者Matthijs Hollemans在HuggingFace上基于Whisper开发的新功能。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

Whisper是OpenAI于去年9月开源的语音识别神经网络,经过68万小时的多语言和多任务监督网络数据的训练,其鲁棒性和准确性接近人类水平。它可以进行多语言转录,以及其他语言将翻译成英文。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

它是基于Transformer端到端实现架构,无需任何微调。输入音频被分成30秒的块,转化为梅尔倒谱(音频特征提取方式之一,log-Mel spectrogram),然后传入编码器。

视频版大爆炸来了!剪辑可精准到每个字,支持中文Demo可玩

好了,试玩Demo在此,感兴趣的旁友可戳:
https://huggingface.co/spaces/radames/whisper-word-level-trim
参考链接:
[1]https://openai.com/research/whisper
[2]https://twitter.com/mhollemans/status/1671812176842039296