Whisper

Whisper é um modelo de IA para transcrição de fala, capaz de transcrever audios para texto criado pela OpenAi e disponibilizado para o público totalmente open source.

Groq.

Groq, Inc. é uma empresa americana que desenvolve chips de IA (LPUs - Language Processing Units) capaz de processamento/inferência em altíssima velocidade. LPUs da Groq são diferentes das GPUs Nvidia.

Quanto custa

Tanto a transcrição de áudio com o modelo Whisper quanto outros modelos open source de IA como Llama, Gemma e outros possui camada grátis na Groq.

Onde Pegar API Key?

Aqui: https://console.groq.com/keys

Como transcrever áudio com Groq/Whisper?

Confira o exemplo de como isso pode ser feito com PHP utilizando o código desse repositório.

<?php
require_once __DIR__."/config.php";
require_once __DIR__."/vendor/autoload.php";
$WhisperGroq = new \App\WhisperGroq();

$filePath = __DIR__."/audio.ogg";
$response = $WhisperGroq->transcription($filePath, 'pt','','verbose_json');
$response = json_decode($response);
$text = $response->text ?? '';
$segments = $response->segments ?? [];
if($text){
    echo "<b>Transcrição</b>:<br> $text";
    echo "<hr> <b>Segments</b><br><pre>";
    print_r($segments);
    echo "</pre>";
}else{
    echo "<b>Erro</b>:<br>";
    print_r($response);
}

Informações

File Size: O tamanho máximo do arquivo deve ser 25MB

Chunks: Se você tiver arquivo maiores será necessário quebrar em partes.

Format: São aceito arquivos nos formatos: mp3, mp4, mpeg, mpga, m4a, wav, e webm

Tip: Para reduzir o tamanho do arquivo você pode usar alguma ferramenta como FFmpeg, veja o exemplo:

ffmpeg -i audios/agi.mp4 -vn -map_metadata -1 -ac 1 -c:a libopus -b:a 12k -application voip audio.ogg

Exemplo retirado daqui