¿Qué es Whisper?

Whisper es un sistema de reconocimiento de voz automático entrenado con 680,000 horas de audio en varios idiomas y acentos.

Utiliza una arquitectura de Transformers para transcribir audio a texto y traducirlo al inglés si es necesario.

El sistema detecta el idioma, divide el audio en segmentos de 30 segundos, y transcribe utilizando codificadores y decodificadores.

Además de transcribir, Whisper puede identificar idiomas, marcar tiempos y procesar voz multilingüe.

Está diseñado para ser escalable y manejar grandes cantidades de audio con características avanzadas de procesamiento de lenguaje natural.

Creación de Aplicación Paso a Paso:

Objetivo de la Aplicación

Crear una aplicación web que permita:

• Subir un archivo de audio o video en formatos MP3, WAV, MP4.
• Convertirlo a un formato reconocible por Whisper.
• Seleccionar el idioma del audio para transcribir.
• Descargar la transcripción en un archivo de texto y también en formato SRT.

Herramientas y Tecnologías Necesarias que vamos a utilizar

• Python: Lenguaje de programación para el backend.
• Visual Studio Code (VS Code): Editor de código.
• Flask: Framework web para Python.
• Whisper: Modelo de OpenAI para transcripción de audio.
• FFmpeg: Herramienta para manejar archivos de audio.
• Bootstrap: Framework CSS para mejorar la interfaz de usuario.