什么是耳语？
Whisper 是 OpenAI 的一种自动最先进的语音识别系统，它已经接受了 680,000 小时的多语言和多任务监督数据的培训，这些数据是从网络上收集的。这个庞大而多样化的数据集提高了对口音、背景噪音和技术语言的鲁棒性。此外，它还支持多种语言的转录，以及将这些语言翻译成英语。OpenAI 发布了模型和代码，作为构建利用语音识别的有用应用程序的基础。
什么是 GPT-3？
GPT-3 是 OpenAI 的一种语言模型，可以生成文本。它是在来自网络的大型文本数据集上进行训练的。
如何开始？
本教程是之前教程 Whisper API with Flask and Docker 的升级。
所以请先检查一下 🙂 如果您已经检查过了，您可以在此处继续。
OpenAI API 密钥
如果您还没有，请转到 OpenAI 并创建一个帐户。并创建您的 API 密钥。切勿在公共存储库中共享您的 API 密钥！
更新 requirement.txt
我们正在将 openai 包添加到我们的文件中
为 gpt3 函数创建文件
我们将创建一个名为 gpt3.py 的新文件，并向其中添加以下代码。在提示中我使用了摘要选项来总结文本，但你可以使用任何你想要的。您也可以调整参数。
import openaidef gpt3complete(speech): # Completion function call engine: text-davinci-002 Platformresponse = openai.Completion.create( engine="text-davinci-002", prompt="Write a short summary of this text: {}".format(speech), temperature=0.7, max_tokens=1500, top_p=1, frequency_penalty=0, presence_penalty=0, ) return Platformresponse.choices[0].text更新 app.py
在顶部，我们将更新我们的导入。请插入您之前创建的 API 密钥，而不是“MY_API_KEY”。
import openaiimport gpt3# GPT-3 API Keyopenai.api_key = "MY_API_KEY"更新 /whisper 路由
我们会将我们新的 GPT3 功能集成到路由中。因此，当我们从 whisper 获得结果时，我们会将其传递给 gpt3 函数并返回结果。
@app.route('/whisper', methods=['POST'])def handler(): if not request.files: # If the user didn't submit any files, return a 400 (Bad Request) error. abort(400) # For each file, let's store the results in a list of dictionaries. results = [] # Loop over every file that the user submitted. for filename, handle in request.files.items(): # Create a temporary file. # The location of the temporary file is available in `temp.name`. temp = NamedTemporaryFile() # Write the user's uploaded file to the temporary file. # The file will get deleted when it drops out of scope. handle.save(temp) # Let's get the transcript of the temporary file. result = model.transcribe(temp.name) text = result['text'] # Let's get the summary of the soundfile summary = gpt3.gpt3complete(text) # Now we can store the result object for this file. results.append({ 'filename': filename, 'transcript': text.strip(), 'summary': summary.strip(), }) # This will be automatically converted to JSON. return {'results': results}如何运行容器？
打开终端并导航到您创建文件的文件夹。运行以下命令来构建容器：
docker build -t whisper-api .构建就绪后，运行以下命令来运行容器：
docker run -p 5000:5000 whisper-api如何测试API？
http://localhost:5000/whisper您可以通过向其中包含文件的路由发送 POST 请求来测试 API 。Body 应为 form-data。您可以使用以下 curl 命令测试 API：
curl -F "file=@/path/to/file" http://localhost:5000/whisper结果，您应该得到一个 JSON 对象，其中包含成绩单和摘要。
如何部署API？
这个 API 可以部署在任何可以使用 Docker 的地方。请记住，此设置当前使用 CPU 处理音频文件。如果您想使用 GPU，则需要更改 Dockerfile 并共享 GPU。我不会深入介绍，因为这是一个介绍。Docker GPU
你可以在这里找到整个代码
谢谢你！– AI未来百科 ; 探索AI的边界与未来！ 懂您的AI未来站