WAAS

WAAS: Whisper as a Service - OpenAI WhisperのGUIとAPI

WAAS (Whisper as a Service) は、OpenAIのWhisperのGUIとAPIを提供するオープンソースプロジェクトで、オーディオおよびビデオの文字起こしをよりアクセスしやすく、使いやすくします。簡単なファイルアップロードと文字起こしを行うためのグラフィカルユーザーインターフェース（GUI）と、プログラムによるアクセス用のAPIの両方を提供します。

WAASとは？

WAASは、オーディオまたはビデオファイルをアップロードして文字起こしするためのインターフェースを提供します。文字起こし後、ユーザーはJojoファイル、SRT、またはプレーンテキストを含む、さまざまな形式の文字起こしのダウンロードリンクが記載されたメールを受信します。重要な機能は、文字起こしのエラーを修正するためのローカルブラウザベースのエディターです。

主な機能

• アップロードと文字起こし用のGUI： オーディオおよびビデオファイルをアップロードするためのシンプルなインターフェース。
• メール通知： 文字起こし後、ダウンロードリンクが記載されたメール通知を受信します。
• 複数の出力形式： Jojoファイル、SRT、またはプレーンテキスト形式で文字起こしをダウンロードします。
• ローカルブラウザベースのエディター： ブラウザ内で文字起こしのエラーを修正します。
• APIアクセス： API経由で文字起こしサービスへのプログラムによるアクセス。

WAASの仕組みは？

WAASを使用すると、ユーザーはGUI（Jojoという名前）またはAPI経由でオーディオまたはビデオファイルをアップロードできます。アップロードされたファイルは、OpenAIのWhisperモデルを使用して文字起こしのために処理されます。文字起こしが完了すると、ユーザーはさまざまな形式で文字起こしをダウンロードするためのリンクを含むメールを受信します。ブラウザベースのエディターを使用すると、ユーザーは最終結果を保存する前に、文字起こしのエラーを修正および修正できます。

APIドキュメント

WAAS APIは、文字起こしと関連タスクのためにいくつかのエンドポイントを提供します。

• POST /v1/transcribe： 新しい文字起こしジョブをキューに追加します。
  • 必須パラメーター：email_callbackまたはwebhook_id。
  • オプションパラメーター：language、model、task、filename。
  • Body：生のオーディオデータ。
• OPTIONS /v1/transcribe： 文字起こしルートで使用可能なオプションを取得します。
• POST /v1/detect： オーディオファイルの言語を検出します。
  • オプションパラメーター：model。
  • Body：生のオーディオデータ。
• OPTIONS /v1/detect： 検出ルートで使用可能なオプションを取得します。
• GET /v1/download/<job_id>： 要求された出力形式で完了した文字起こしを取得します。
  • オプションパラメーター：output（json、timecode_txt、txt、vtt、srt）。
• OPTIONS /v1/download/<job_id>： ダウンロードルートで使用可能なオプションを取得します。
• GET /v1/jobs/<job_id>： 指定されたジョブのステータスとメタデータを取得します。
• GET /v1/queue： キューの現在の長さを取得します。

Webhook統合

WAASは、webhook通知をサポートしています。文字起こしが成功または失敗すると、JSONペイロードとコンテンツ検証用のX-WAAS-Signatureヘッダーを含むPOSTリクエストが、構成されたwebhook URLに送信されます。

WAASは誰のため？

• インタビューや講義を文字起こしする必要がある研究者。
• オーディオまたはビデオコンテンツを扱うジャーナリスト。
• 文字起こしサービスをアプリケーションに統合する開発者。
• オーディオまたはビデオファイルを迅速かつ正確に文字起こしする必要がある人。

インストール

WAASをインストールして実行するには、次の手順に従います。

1. リポジトリをクローンします。
2. 仮想環境を作成します。
3. pip install -r requirements.txtを使用して、必要なPythonパッケージをインストールします。
4. BASE_URL、EMAIL_SENDER_ADDRESS、EMAIL_SENDER_PASSWORD、およびEMAIL_SENDER_HOSTなどの環境変数を構成します。
5. Docker Composeを使用してセットアップを実行します。

Docker Composeで実行する

1. 必要な環境変数を含む.envrcファイルを作成します。
2. 有効なwebhook URLとトークンを含むallowed_webhooks.jsonファイル（webhookを使用している場合）を追加します。
3. docker-compose --env-file .envrc upを実行します。

NVIDIA CUDAの使用

NVIDIA CUDAでGPUアクセラレーションを有効にするには、次の手順に従います。

1. NVIDIA Dockerをインストールします。
2. docker-compose.ymlファイルを編集して、Dockerfile.gpuを使用し、デバイス予約のコメントを外します。
3. docker-compose --env-file .envrc upを実行します。

WAASを選ぶ理由

WAASは、OpenAIのWhisperモデルを活用するためのユーザーフレンドリーなインターフェースとAPIを提供します。メール通知、複数の出力形式、ローカルブラウザベースの編集などの機能により、オーディオおよびビデオの文字起こしのニーズに対応する便利で効率的なソリューションとなっています。ローカルで実行したり、API経由で既存のシステムに統合したりできる柔軟性により、さまざまなユースケースに対応できる多用途ツールとなっています。

結論として、WAASは、オーディオまたはビデオコンテンツを迅速かつ正確に文字起こししたい人にとって貴重なツールです。そのオープンソースの性質と使いやすさにより、個人的および профессионального useに最適な選択肢です。