Witajcie kochani w kolejnym nagraniu z Mojej Szuflady, Piotr Witek się kłania.

W dzisiejszym odcinku chciałbym Wam zademonstrować kolejną odsłonę możliwości jakie daje nam sztuczna inteligencja.

Tym razem za pośrednictwem aplikacji AIKO.

Skąd w ogóle pomysł na to?

Tym razem tutaj Paweł Masarczyk wspomógł mnie informacją.

Przemycił informację z jakiegoś niemieckiego podcastu, że jest takie narzędzie.

Narzędzie, które umożliwia nam dokonywanie transkrypcji lub tworzenie napisów z nagrań audio.

Taka była pierwsza wersja na naszym urządzeniu mobilnym.

Czyli w tym momencie nie potrzebujemy już żadnych zaawansowanych, super wypasionych komputerów z Bóg wie jak wielkimi kartami graficznymi, żebyśmy byli w stanie przygotować sobie transkrypcję lub napisy do naszego nagrania wideo.

Tak więc nie ma wymówki, żeby nie tworzyć nagrań z napisami dla osób niedosłyszących, dla osób głucho niewidomych.

Tak więc każdy z nas dzisiaj w kieszeni może mieć takie narzędzie.

Narzędzie, które w tym wypadku oczywiście działało pod kontrolą systemu iOS lub iPadOS i to w wersji 16.4, bo takie jest tutaj ograniczenie, taki wymóg w wersji, którą Wam dzisiaj będę demonstrował.

Ale po kolei zacznijmy od tego, że uruchomimy aplikację Aiko.

Aplikacja Aiko jest niezwykle prosta.

Jest w języku angielskim, ale myślę, że po tym, co Wam dzisiaj zademonstruje, nikt nie będzie miał problemu z obsługą tejże aplikacji.

Zanim przejdziemy dalej, to w lewym górnym rogu znajdują się ustawienia, czyli settings i tam sobie zajrzyjmy, żeby rozwiać wszelkie wątpliwości, które mogłyby się pojawić w trakcie korzystania z tejże aplikacji.

Aktywowałem ustawienia.

No i tutaj mamy jakąś tam możliwość podłączenia do arkusza, to nas nie interesuje.

Przycisk zamykania okna.

Audio language, czyli język audio i tutaj wybieramy sobie polski, przynajmniej ja sobie wybrałem polski.

Oczywiście możemy sobie ustawić automatyczne rozpoznawanie języka, jeśli rozpoznajemy jakieś inne języki.

I w takim kontekście tutaj np.

Paweł się do mnie zwrócił, że on sobie ściąga jakieś podcasty w różnych językach, gdzie interesuje go informacja, a nie zna danego języka.

Wtedy po prostu wrzuca sobie do tego narzędzia.

Ono rozpoznaje język, dokonuje rozpoznania tekstu i za chwilkę Wam to też pokażę.

Może dokonać automatycznego tłumaczenia na język angielski.

I wtedy już Paweł nie ma problemu z zapoznaniem się z informacją.

Ale idziemy dalej, żeby nie uprzedzać faktów.

Translator English, przełącznik wyłączony.

Tłumaczenie na angielski możemy od razu sobie zaznaczyć, żeby narzędzie automatycznie tłumaczyło nam rozpoznany tekst na język angielski.

Więc tak jak mówię, jeśli korzystamy z jakichś języków mniej popularnych typu fiński, chiński czy aramejski, aczkolwiek aramejskiego nie widzę na liście, to wtedy można sobie skorzystać z tłumaczenia od razu na język angielski.

Jeśli znamy ten język i wtedy w ten sposób spróbować się zapoznać z treścią.

Dalej mamy tutaj opcje już dotyczące samego twórcy, czyli feedback, informację zwrotną, jeśli byśmy mieli jakiś pomysł na rozbudowę aplikacji albo chcielibyśmy zgłosić błąd, to proszę bardzo.

I tutaj mamy tips, czyli podpowiedzi, tipsy, podpowiedzi i FAQ, czyli najczęściej zadawane pytania.

Oba te przyciski prowadzą nas do tej samej strony internetowej, więc tam za wiele też nie ma informacji, oczywiście jak chcecie to sobie zajrzyjcie.

Strona autora, tutaj wiedza, czyli jak tam chcielibyśmy coś samemu potworzyć, oprogramować, to tutaj autor udostępnia na GitHubie odpowiednie repozytorium.

Możemy ocenić aplikację, do czego zachęcam.

Twórca zresztą też do tego zachęca, żeby wystawić fajną ocenę.

Więcej aplikacji autora i krótka informacja o autorze jest na samym końcu.

Sindre Sorhus, nie jestem w stanie tego wymówić, ale generalnie jest to niezależny norweski programista i chwałam mu za to, że stworzył taką fajną aplikację, która działa naprawdę fajnie.

Zobaczcie, na starcie niecałe cztery megabajty ta aplikacja potrzebuje, żeby się uruchomić.

Oczywiście do pracy potrzebuje więcej mocy obliczeniowej.

Dlaczego?

O co tu chodzi?

Ta aplikacja wykorzystuje narzędzie stworzone przez to popularne rozwiązanie OpenAI, sztuczną inteligencję, a dokładnie model Whisper w wersji jeszcze dokładniej drugiej.

No i oczywiście, ponieważ to jest urządzenie mobilne, czyli w tej najbardziej wymagającej sprzętowo wersji nie użyjemy tego na urządzeniu mobilnym, czyli tej wersji Large, dłużej, bo tutaj, jak wspomniałem wcześniej, tylko komputery z naprawdę mocnymi procesorami czy kartami graficznymi są w stanie udźwignąć ten model Whisper w wersji Large, a my tutaj wykorzystujemy wersję i to uwaga w zależności od wbudowanej pamięci w nasze urządzenie, czyli pierwszy wymóg.

System operacyjny iOS, iPadOS 16.4.

Druga sprawa odpowiednia ilość pamięci, bo jeśli macie, ja w tym momencie mam tutaj iPhona wersji Pro i model Medium.

Mam do dyspozycji model Medium, czyli średni, ale gdybym to odpalił, nie sprawdzałem, ale zakładam, że tak to działa na iPhonie w wersji mini, to pewnie do dyspozycji miałbym tutaj tylko model Small, czyli mały.

To jedno ograniczenie.

Kolejne ograniczenie, o którym tylko słyszałem, nie udało mi się tego sprawdzić i potwierdzić, ale przekazuję, może wy sprawdzicie, że podobno to oprogramowanie działa tylko na procesorze Apple Bionic 14, czyli to, które było dodawane do iPhone'ów 13, do iPada szóstej generacji mini i iPada dziesiątej generacji tego nowego, bo oczywiście iPad Air to już jest procesor M1 i działa to o wiele szybciej, więc jeśli uda Wam się to uruchomić, tą aplikację na iPhone'ach np. 12, dajcie znać w komentarzu, sam jestem ciekaw, czy to tak będzie działało.

Tyle chyba jeśli chodzi o ograniczenia i technikalia.

Myślę więc, że trzeba Wam teraz zademonstrować, jak to działa, więc zamykamy ustawienia, klikam przycisk close i zobaczmy, jakie mamy tutaj opcje do dyspozycji.

Icon, sama nazwa aplikacji w nagłówku.

Możemy importować materiał audio i tak jak wspomniałem wcześniej w pierwszej wersji pojawiła się informacja, że jest to tylko i wyłącznie aplikacja do rozpoznawania tekstu czy tworzenia tekstu z rozpoznanej mowy w plikach audio.

A okazuje się jednak, że nie, bo ta wersja przynajmniej aplikacji, którą ja Wam dzisiaj demonstruje, czyli 1.0.5, ona już potrafi także tworzyć napisy, tworzyć transkrypcję z materiałów także audio, wideo, co zaraz postaram się Wam zademonstrować.

I tu możemy albo importować audio, od tego zaczniemy, ale możemy też skorzystać od razu z przycisku open i przejść sobie do aplikacji pliki i tam wybrać pliki np. wideo i możemy też słuchajcie nagrać coś, co się dzieje w tym momencie, czyli np. ja miałem niedawno taką sytuację, że prowadzono ze mną wywiad, jeden pracownik naukowy przygotował się do tego sumiennie i postawił przede mną dwa rejestratory cyfrowe plus trzecie urządzenie do nagrywania, to był jego smartfon.

I na tym smartfonie, gdyby on sobie uruchomił tą aplikację i włączył nagrywanie, to nie tylko będzie rejestrował to, co ja mówię do niego, to o czym rozmawialiśmy, ale od razu po zakończeniu wywiadu po prostu dokonywana jest translacja.

Ja, znaczy transkrypcja przepraszam.

Nie zademonstruje Wam teraz tego jak to działa, ponieważ mam mikrofon podpięty i nagrywam, więc nie wiem jak to się będzie zachowywało.

Nie chciałbym, bo tutaj pewnie z uwagi na zabezpieczenia iOS, to po prostu może nie zadziałać i może przerwać, zatrzymać się moje nagrywanie, więc ja Wam zademonstruje jak to działa na aplikach stabilnych.

Klikam import audio i teraz też otwiera się menu kontekstowe, gdzie mam do wyboru albo nagrywanie właśnie z mikrofonu, mogę zamknąć menu kontekstowe albo mogę po prostu otworzyć jakiś tam plik, więc ja wybieram otwórz plik, otwierają mi się pliki systemowe i tutaj może tak, ja sobie jeszcze raz tam przeglądam.

Audio i jakie my tu mamy pliki.

Może zaczniemy od kulinarnych, czyli to jest fragment podcastu Alicji, czyli jest tam sam głos bez jakiegokolwiek podkładu, więc nie ma niczego, co mogłoby wpływać na pogorszenie się jakości tego nagrania czy rozpoznawania tekstu.

Klikam w ten plik i słyszymy in progress, czyli trwa jakiś proces.

Transkrybing, czyli tworzenie transkrypcji.

To może potrwać chwilę, nie opuszczaj tego ekranu.

Takie mamy komunikaty w aplikacji.

I już od razu pojawia się transkrypcja.

Tu słyszymy cały czas progres 33% ze 100%.

I w międzyczasie, jak to się będzie mieliło, ja wam pokazuję, jak wygląda ta rozpoznana treść.

Jest to jedna z moich ulubionych dań.

To już jest rozpoznany tekst Alicji, bo to jest fragment jej podcastu.

Mamy jedno zdanie.

Za chwilę podam pozostałe składniki, jakich będziemy potrzebowali do przygotowania tego dania.

Więc krewetek musimy mieć 400 gram.

Odradzam kupno tych całkiem małych krewetek koktajlowych, ponieważ one nadają się bardziej do obgotowania na parze i dodawania do sałatek albo do sosów krewetkowych do ryżu czy makaronu, bo ich konsystencja jest taka bardziej delikatna, więc do tego nadają się lepiej.

Druga skrajność też odradzam, te krewetki całkiem duże, ponieważ one i w procesie takiego smażenia na masełku, na patelni, jak tutaj będziemy robić, mają tendencję do tego, żeby stawały się takie bardziej gumowe.

To było naprawdę fajne.

I tyle, bo nagranie jest króciutkie, zobaczymy na górze jeszcze, czy mamy...

Zniknął nam jak gdyby pasek postępu, informacja o ilości przetworzonych danych.

Mamy cały tekst przetworzony, on jest taki króciutkim, tam z półtorej minuty, żebyście tylko mieli możliwość zobaczenia jakości rozpoczęcia tego dania.

Zobaczymy, co się dzieje, jak to wygląda.

Zobaczymy, co się wydarzy.

Półtorej minuty, żebyście tylko mieli możliwość zobaczenia jakości rozpoznawania tekstu.

Co my z tym tekstem możemy zrobić?

Możemy importować kolejny plik i go rozpoznać.

Jest to jedna z moich ulubionych plików.

Możemy eksportować i to jest bardzo fajne.

Tutaj zobaczcie, ja stukam w ten przycisk i teraz mamy tutaj parę opcji.

Export as, czyli eksportuj jako.

Tekst, czyli taka typowa transkrypcja, bez jakichkolwiek znaczników czasowych.

Po prostu mamy transkrypcję danego wydarzenia, nagrania, cokolwiek tutaj wrzucimy.

To będziemy mieli przygotowaną transkrypcję.

On tak tutaj czyta, tu generalnie chodzi o Jsona.

Osoby, które troszkę programują, to wiedzą o co chodzi.

To dla reszty się nie będziemy rozwodzić.

W każdym razie do plików Jsonowych ta transkrypcja jest wrzucana ze znacznikami.

Później mamy klasyczne pliki CSV i napisy już w dwóch popularnych formatach, jednym internetowym i kolejnym SRT.

Też napisy są tworzone ze znacznikami kodów, time kodami.

Jak to wygląda eksport?

Ja po prostu klikam powiedzmy ten znaczniki, klik SRT.

Otwiera mi się znowu jak gdyby aplikacja pliki.

Skąd importowałem to wcześniejsze nagranie, wystarczy wtedy w prawym górnym rogu kliknąć przycisk przenieść i to nam wystarczy, żebyśmy mogli zapisać plik na naszym urządzeniu mobilnym.

Zapisane.

Jak widzicie jest to banalnie proste, łatwe w tym momencie.

Kliknijmy sobie tak, bo tu mamy Polish, czyli informacja, że język rozpoznania czy rozpoznania translacji był polski.

Gdybyśmy korzystali z automatycznego rozpoznawania, to tu pojawi się informacja z jakiego języka nagranie zostało rozpoznane.

To warto sprawdzić, czy po prostu w jakimś innym języku nasze nagranie nie zostało rozpoznane.

OK, możemy tekst jeszcze kopiować.

OK, ale my chcemy nowe nagranie, więc klikamy import audio.

I znowu Open File, otwórz plik i wybierzmy sobie teraz plik wideo.

Klikam plik wideo.

To oczywiście też jest fragmencik wycięty z któregoś z moich nagrań.

Zdaje się, że tam coś było o Numbersie, zaraz zobaczymy.

Znowu mamy in progress.

Stop, przycisk, transkrybing.

I już trwa transkrypcja.

W dzisiejszym odcinku stop, progress 31.

Może poczekajmy od razu aż się przerobi całe nagranie.

Progress 31, stop, przycisk.

Czy ten suwaczek wolno się przesuwa?

Progress 31, stop, przycisk, progress 80.

Już 80, czyli tak skokowo dość mocno.

Całość działa, przypominam, tylko i wyłącznie na urządzeniu naszym, urządzeniu mobilnym.

Jak są takie krótkie nagrania to urządzenie, mówiąc kolokwialnie, nawet się nie spoci.

Ale gdy wrzucę takie nagranie, powiedzmy godzinne, to urządzenie mocno się nagrzewa.

Tak więc to warto podkreślić, że jeśli mamy jakieś, nie wiem, jesteśmy w gorącym miejscu to też warto pilnować naszego urządzenia, żeby się nie przegrzało.

Bo to naprawdę nagrzewa się mocno, naprawdę mocno.

Ja teraz takie krótkie nagrania to nawet nie czuję różnicy.

I zobaczcie teraz jakość tego krótkiego nagrania.

W dzisiejszym odcinku zapraszam Was na demonstrację nowych możliwości czytnika ekranu VoiceOver w systemie Mac OS, a dokładnie jego nowe możliwości w aplikacji Numbers.

Jakie się pojawiły po ostatniej aktualizacji całego pakietu i work?

Chodzi tu dokładnie o możliwość pracy z formułami.

Rzecz dotyczy wybierania konkretnych propozycji formuł, bo troszkę się to zmieniło.

A w tym celu przechodzimy do arkusza w aplikacji Numbers.

Na potrzeby dzisiejszego nagrania przygotowałem taki bardzo prosty arkusz.

Arkusz zawierający kwoty netto, umów i podział na poszczególne umowy, umowy oddziału i umowy zleceniem.

Zleceniem, czyli tutaj mamy jeden błąd, bo powinno być zlecenie.

Co tu jeszcze można ustawić?

Można jeszcze ustawić tutaj jedną rzecz, to znaczy w tym momencie aplikacja rozpoznaje jak gdyby po zdaniu, a możemy jeszcze tak ją ustawić, aby te bloki tekstu przygotowywała nam w formie akapitów.

Czyli nie zdanie, tylko będzie dzieliło po prostu na akapity.

Myślę, że ma to większy sens w momencie, gdy chcemy stworzyć sobie transkrypcję, ale do napisów jednak taka forma wydaje mi się lepsza.

To raz.

Dwa.

Gdybyście porównali napisy, jakie, bo mam nadzieję, że wiecie, że jest taka opcja, że te napisy, które automatycznie tworzone są w języku polskim w serwisie YouTube na przykład, to ich jakość jest bez porównania gorsza niż to, co oferuje nam w tym momencie Whisper i to w tej wersji średniej, tak?

Medium.

Nie large, tylko medium.

Jak dla mnie jakość jest bardzo dobra.

Oczywiście warto potem przejrzeć jeszcze, czy tam jakiś...

Nie ma błędów, szczególnie w nazwach własnych, ale jestem zdumiony po prostu jakością rozpoznawania tego narzędzia.

I tutaj Wam jeszcze chciałem pokazać kilka rzeczy, bo...

Rzecz dotyczy odbierania konkretnych projektów, chodzi tu dokładnie o możliwość pracy z formą...

Weźmy jakiś krótszy akapit.

A w tym celu przechodzimy do arkusza w aplikacji, na potrzeby dzisiejszego nagrania.

A w tym celu przechodzimy do arkusza w aplikacji Numbers.

Mamy jakiś fragment tekstu i możemy w niego stuknąć dwa razy palcem i przytrzymać, wywołując menu kontekstowe.

Zwróćcie uwagę, ja teraz robię tap-tap i przytrzymuję palec.

Otwiera mi się menu kontekstowe.

I co my tu mamy?

Mogę skopiować ten fragment, czyli to jedno zdanie.

Mogę wyszukać dany fragment.

Jeśli mam całe duże jakieś nagranie rozpoznane, to w tym całym nagraniu mogę wyszukać na przykład kolejny raz występowanie tej frazy.

Look up.

Tu mogę przejrzeć się, to jest takie dziwne tłumaczenie na polski.

To są te, to co normalnie określane jest w systemie IOU jest jako słownik, czyli mogę podejrzeć tutaj definicje słownikowe w tym momencie już tłumaczone na język angielski.

To polecam w zabawie.

Mogę też przetłumaczyć to, ten fragment, jeden konkretny zaznaczony.

Mogę ten fragment wykorzystać do przeszukania sieci.

No i mogę go wysłać gdzieś tam na zewnątrz komuś, bo akurat mnie zainteresował dane zdanie przesłać dalej.

Zobaczcie na przykład tą translację.

Pokażę jak to działa.

Klikam w translate i teraz mamy tutaj.

Otworzyło nam się okno tłumacza.

To jest aplikacja ta.

ICO bardzo fajnie jest integrowana ze systemem.

I mamy domyślnie rozpoznany język polski.

To jest nasze zdanie.

Domyślnie mam ustawione tłumaczenie na angielski w systemie, więc zdanie brzmi.

I możemy sobie odsłuchać tłumaczenie i tak dalej i tak dalej.

To co oferuje systemowy tłumacz.

Tak więc narzędzie jest mega proste.

Mega wygodne.

To co najważniejsze, a o czym nie powiedziałem na samym początku jest to narzędzie całkowicie darmowe, bezpłatne, więc każdy może z tego narzędzia skorzystać.

Ja postaram się aby to nagranie zostało wyposażone w napisy, które stworzę zaraz tylko jak skończę nagrywać dla Was ten vlog.

I postaram się je dodać.

Jeszcze nigdy nie dodawałem napisów przed publikacją, więc zobaczymy czy mi się to uda, jeśli nie to tuż po publikacji postaram się umieścić napisy, tak żebyście się sami mogli przekonać jak wyglądają napisy tworzone za pomocą aplikacji Aiko.

Właśnie już bezpośrednio w aplikacji YouTube, do której po prostu wyślę, wyeksportuję sobie stąd napisy po rozpoznaniu głosu, rozpoznaniu tekstu z tego nagrania i dołączę je po prostu do nagrania w serwisie YouTube.

Transkrypcję oczywiście też poglądowo wrzucę na moją szufladę, tak aby obok odtwarzacza, żebyście mogli znaleźć też link do samej transkrypcji.

W opisie nagrania znajdziecie oczywiście link do aplikacji do pobrania.

Aplikacja, przypominam, jest bezpłatna, ale też przypominam, że warto ją ocenić tak, aby autor aplikacji też coś z tego miał.

I wydaje mi się, że to tyle w tym odcinku.

Oczywiście pamiętajcie o tym, żeby zasubskrybować kanał, wtedy będziecie na bieżąco informowani o nowościach z mojej szuflady.

Ja na dzisiaj kłaniam się Wam nisko.

Zapraszam na kolejne vlogi z mojej szuflady.

Piotr Witek.