Claude16台で10万行のCコンパイラを作った論文を読んで、「いや答えあるじゃん」と思った話
Anthropicのエンジニアリングブログに、とんでもない記事が出た。 Claude 16台を並列で2週間回して、10万行のRust製Cコンパイラを作った。 費用$20,000。Linux 6.9のブートに成功。GCCのテストスイートで99%パス。DoomもFFmpegもPostgreSQLもコンパイルできる。 すげえ。 で、オレはAI部下10人を戦国軍団として運用してる側の人間なんだけど、この記事を読んで最初に思ったのは「すげえ」の次に来た、こっちの感想だった。 「いや、答えあるじゃん。」 何がすごいのか（素直に） まず、ちゃんとすごいところを認めたい。 16台のClaudeが 自律ループ で動く。タスクが終わったら勝手に次を拾う 同期は Gitのファイルロック だけ。インフラなし テストが仕様書を兼ねている。「テストをPASSさせろ」で人間の介入なし 2,000セッション、2週間。人間
Gitコマンドの結果一体どうなるのかをすばやくアニメーション画像を生成して視覚的にわかりやすく見せてくれる「git-sim」
プログラマー育成を支援するInitial Commitが、ローカルリポジトリにおけるGitの動作をシミュレート可能なコマンドラインツール「git-sim」を2023年1月22日にリリースしました。git-simを使うことで、Gitコマンドがリポジトリに及ぼす影響を視覚化した画像やアニメーションを生成できます。 git-sim - Visually simulate Git operations in your own repos with a single terminal command. https://initialcommit.com/tools/git-sim GitHub - initialcommit-com/git-sim: Visually simulate Git operations in your own repos with a single terminal c
Claude Code Webを10並列で回す！チームみらいの選挙支援ツールを作りながら構築した、超並列LLMコーディングを実現するためのハーネスエンジニアリング｜Jun Ito
Claude Code Webを10並列で回す！チームみらいの選挙支援ツールを作りながら構築した、超並列LLMコーディングを実現するためのハーネスエンジニアリング こんにちは。チームみらい 永田町エンジニアチームの伊藤（エディ）です。 選挙も終わったので、最近の開発スタイルについて書いてみようと思います。 衆院選では、動画作成チームのために、各選挙区から大量にGoogleDriveにアップロードされてくる演説動画の文字起こし・切り抜きクリップ作成を自動化する内部ツールを作っておりました。（あくまで内部ツールなので詳細は割愛） 今回作ったツール「みらい動画スタジオ」まるみえ政治資金のAI開発手法の記事を書いてから約4ヶ月、コーディングAIは超スピードで進化し、それに合わせ自分の開発スタイルもだいぶ変化しました。特に自分的に大きかったのは以下2点です。 Claude Code Webの登場で、
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? あらすじ はじめまして､なすび(@nasubi_dev)です｡ 最近､Obsidian + Cursorの組み合わせが流行していますよね｡ AIによる活用も斬新で面白いとは思っているのですが､Obsidianが本来とは異なった使い方がされている現状は､応援していたアーティストがネタ曲で売れてそのパターンの曲しか出さなくなったときみたいな気持ちになっています｡ なので今回は個人的に最高の使い方であるAI活用ではないObsidianの使い方を共有しようと思います｡ この記事では､私のポートフォリオサイト｢nasubi.dev」で実装したOb
今回はJetBrainsが公開した、Zig言語の作者アンドリュー・ケリー（Andrew Kelley）氏へのロングインタビューを取り上げます。 アンドリュー氏は2018年に勤めていた会社を辞め、プログラミング言語Zigの開発に専念してきた人物です。8年が経った今、ZigはGhosttyやTigerBeetle、さらにはUberのクロスコンパイルなどを支える存在になりました。一方で「PRやIssueへの厳格なAI禁止ポリシー」「年間67万ドルの非営利財団」「GitHubからの離脱」「10年経っても1.0が出ない理由」など、賛否を呼ぶ決断でも知られています。 この記事では、動画で語られた内容を流れに沿って整理しお届けします。AIに関心のあるエンジニアやビジネスパーソンにとって、ひとつの「対極の哲学」として読んでいただける内容です。 そもそもなぜZigを作ったのかインタビューはストレートな問いか
OpenAIがSpeech-To-Text AIのWhisperを発表しました。Githubからpipでインストールすれば簡単に使えます。私のM1 Max MacBook Proでも動作しましたので、作業内容を書いておきます。 GitHub – openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision Python仮想環境を作る Python自体のインストールは既に終わっているところから書くことにします。私の環境は、ASDFを使ってPythonのバージョンを使い分けており、今回使用するのは、miniforge3-4.10.3-10です。Python 3.9.13が動作しています。 まず、仮想環境を作ります。miniforgeを使っていながらPython標準のvenvを使っていました。（あまり意識して
画像生成AI「DALL・E2」や文章生成AI「GPT-3」「InstructGPT」などを開発するAI研究団体のOpenAIが、2022年9月に高性能な文字起こしAI「Whisper」を発表しました。オープンソースのWhisperはリポジトリが一般公開されており、日本語にも対応しているとのことで、オンライン実行環境のGoogle Colaboratory(Google Colab)やローカルのWindows環境に導入して使ってみました。 Introducing Whisper https://openai.com/blog/whisper/ GitHub - openai/whisper https://github.com/openai/whisper ○目次 ◆Hugging Faceの体験版を使ってみる ◆Google Colabに導入して使ってみる ◆Windows環境に導入してみ
はじめに 「オープンソースに挑戦したいけど、どんなプロジェクトを作ればいいかわからない…」そんな悩みを持っていませんか？ 本記事では、初心者・中級者・上級者・達人 の4つのレベルに分けて、合計 120個のオープンソースプロジェクトアイデア を紹介します。 それぞれのアイデアの詳細については折りたたんであります。興味がある内容については広げてみて機能要件や実装のポイント、拡張機能、学べることを見てみてください！ 自分のスキルレベルに合ったプロジェクトを見つけて、実際に開発に挑戦してみましょう！ 初心者向けプロジェクトアイデア 1. ToDoリストアプリ 概要 ToDoリストアプリは、ユーザーがタスクを追加・編集・削除し、完了状況を管理できるシンプルなアプリです。 初心者でも取り組みやすく、プログラミングの基礎となる CRUD（Create, Read, Update, Delete） の概念
ついにFFmpegがWebRTCサポートを統合、OBSで1秒未満の超低遅延配信が実現＆最新コーデックの選択可能＆サーバー不要の配信すらも可能に
マルチメディアフレームワークの「FFmpeg」に、ブラウザやアプリ間でリアルタイムの映像・データ通信を可能にする「WebRTC」(WHIP)対応の低遅延ストリーミング機能が統合されました。 git.ffmpeg.org Git - ffmpeg.git/commit https://git.ffmpeg.org/gitweb/ffmpeg.git/commit/167e343bbe75515a80db8ee72ffa0c607c944a00 WHIPはWebRTCを通じて超低遅延で映像を配信するための標準プロトコルです。WebRTCはもともとライブ会議などの超低遅延・双方向通信に使われてきましたが、プロトコルが複雑でアップストリームの配信には不向きでした。それを簡単にしたのがWHIPです。 従来のFFmpegは配信ソフト「OBS」などで採用される通信プロトコル「RTMP」やHLSによる数秒
個人開発の進捗報告が面倒なので、GitHub ActionsとAIで「勝手にデモ動画を作る」仕組みを構築した - Qiita
はじめに 「今週の進捗どうなってる？」 個人開発や少人数のチーム開発をしていると、この質問に答えるための資料作りで週末が潰れること、ありませんか？ コードは書けても、変更内容を非エンジニア（PMやクライアント）にわかるように説明するのは、正直かなりカロリーを使います。 「Gitのコミットログを見るだけで、勝手に誰かが解説動画を作ってくれればいいのに……」 そんな怠惰な願望を叶えるために、年末年始を使って**「PRをマージしたら、AIが勝手に解説動画を生成してSlackに投げる」**ワークフローを組んでみました。これが意外と実用的だったので共有します。 全体アーキテクチャ やっていることはシンプルです。 Trigger: main ブランチへのマージを検知 Analyze: OpenAI API (GPT-4o) が git diff を読んで「変更点の要約」を台本化 Generate: A
１．緒言 低い画質の画像を高画質に変える技術である”超解像”技術のライブラリである"Real-ESRGAN"ライブラリを紹介します。 公式より、Real-ESRGANの使用方法は下記３つがあり、とにかく簡単に試したいならOnline inferenceが便利であり「https://arc.tencent.com/en/ai-demos/imgRestore」からWebアプリベースで実施できます。 【Real-ESRGANの使用方法】 Online inference：Webアプリで簡単に実行できる Portable executable files (NCNN)：ー Python script：今回の記事で作成した通りPythonで実行 ２．環境構築 基本的な実装方法はGitHubの"Installation"を参照しました。 私のPC環境ではCUDAのメモリに乗らないためGoogle C
コンピュータビジョン分野における世界最高峰の国際会議CVPR2022の論文紹介（後編） - NTT docomo Business Engineers' Blog
目次 目次 はじめに 論文紹介 The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization OcclusionFusion: Occlusion-aware Motion Estimation for Real-time Dynamic 3D Reconstruction EPro-PnP: Generalized End-to-End Probabilistic Perspective-N-Points for Monocular Object Pose Estimation Cascade Transformers for End-to-End Person Search TrackFormer: Multi-Object Tracking With Transformers Global T
わずか10KBのRAMで動く組み込みシステム向けにJavaScriptプログラムをコンパイルして実行できる「MicroQuickJS」
家電製品や産業機器などを制御するための組み込みシステムでは、コスト削減のためメモリの容量が限られています。近年ハードウェアの性能が向上したことにより一部でJavaScriptやPythonなどスクリプト言語がCやC++の代わり、もしくは補助として利用できるようになりました。そこで、メモリが少ない環境でもJavaScriptが実行できるJavaScriptエンジン「MicroQuickJS」をFFmpegの作者でもあるファブリス・ベラール氏が公開しました。 bellard/mquickjs: Public repository of the Micro QuickJS Javascript Engine https://github.com/bellard/mquickjs/ MicroQuickJSは10KBのRAMとCライブラリとして100KB程度のROMがあれば実行および構築が可能です
Google Colabで実行するだけのほうが楽ではありますが ローカル環境のほうがvram多いGPU積んだのでせっかくなので使いたい人とか向けの記事。 ※Colabを使用したい方はこちらから"Open in Colab"でノートブックが開けますので ひたすらそれを実行すると良いです。 ローカル環境 -Ubuntu 20.04 -RTX 3090 1 Waifu-diffusionからリポジトリをローカル環境にクローンする。 git clone https://github.com/harubaru/waifu-diffusion cd waifu-diffusion name: ldm channels: - pytorch - defaults dependencies: - git - python=3.8.5 - pip=20.3 - cudatoolkit=11.3 - pyto
この記事で得られるもの Blenderを使ってControlNetに読み込ませるボーン動画を作る方法 sd-webui-controlnetをつかってアニメーションを作る方法 必要となる前提知識 stable-diffusion-webuiを使って、txt2imageでイラストを作成することができる controlnetを使って、生成するイラストの構図制御ができる 用意するもの Blender (3.3.1) stable-diffusion-webui sd-webui-controlnet AIアニメーションの作り方 入力データの作成 準備 まず初めに、Controlnetへの入力データとなる動画データを生成します。 作業を始める前に、以下のリンクからBlenderで読み込めるopenposeライクのモデルをダウンロードします。 価格設定欄に購入希望金額を入力（0円から入力できるので、
サーバーレスアーキテクチャで実現するAmazon Connect 通話記録アーカイブコスト最適化 | Amazon Web Services
Amazon Web Services ブログ サーバーレスアーキテクチャで実現するAmazon Connect 通話記録アーカイブコスト最適化 この記事は Serverless architecture for optimizing Amazon Connect call-recording archival costs (記事公開日: 2022 年 6 月 24 日) を翻訳したものです。 この記事はコンタクトセンターの通話記録格納ストレージコストを最適化するサーバーレスソリューションを解説します。このソリューションは、通話記録ファイルのスケジューリング、ストレージ階層化、およびリサンプリングを自動化し、即時にコスト削減を実現します。このソリューションは、 AWS Step Functions、Amazon Simple Queue Service (Amazon SQS)、およびAW
akinomyoga/ble.sh -- 87K lines (63K LoC w/o comments) in total. Bash Line Editor---fish-like interactive line editor in pure bash! The main file out/ble.sh has 39K lines (29K LoC), but there are 80K+ lines including module files in total. There are many comments (in Japanese). How Interactive Shells Work has a nice overview of how ble.sh works. It's very sophisticated, using bind -x to read raw by
長時間のゲームプレイ映像からAIが重要シーンを解析・抽出し、字幕やナレーション付きの縦型ショート動画をローカル環境で自動生成できる「AutoShorts」が公開されています。 divyaprakash0426/autoshorts: Automatically generate viral-ready vertical short clips from long-form gameplay footage using AI-powered scene analysis, GPU-accelerated rendering, and optional AI voiceovers. https://github.com/divyaprakash0426/autoshorts ◆サンプル 作成される動画のサンプルです。 ◆AutoShorts主な機能 ・AIを活用したシーン解析機能 シーン解析に
Gemini CLI 入門 (5) - MCP Servers for Google Cloud Genmedia APIs｜npaka
Gemini CLI 入門 (5) - MCP Servers for Google Cloud Genmedia APIs 1. MCP Servers for Google Cloud Genmedia APIs「MCP Servers for Google Cloud Genmedia APIs」は、AIエージェントとアプリケーションが「Google Cloud」の強力な生成メディアAPI (Imagen、Veo、Chirp、Lyria) と高度なオーディオ/動画合成機能 (AVTool) を簡単に統合して活用できるようにする「MCPサーバ」です。 各サーバは個別に有効化および実行できるため、すべての機能を必要としない環境でも柔軟に利用できます。 2. 提供されている機能提供されている機能は、次のとおりです。 ・Imagen 3 (mcp-imagen-go) 「Vertex AI」
Hugging FaceでOpenAIの音声認識”Whisper”をFine Tuningする方法が公開されました | DevelopersIO
こんちには。 データアナリティクス事業本部 機械学習チームの中村です。 OpenAIがリリースしたWhisperについて、先日Hugging FaceのブログでHugging Faceのフレームワークを用いたfine-tuningの実行方法が紹介されました。 fine-tuningにより、自社で蓄積された音声や書き起こしのデータセットがある場合は、特化した学習をすることが可能です。 また著名なHugging Faceからfine-tuningの実装がリリースされたことで、今後様々なシーンでの応用の可能性を感じます。 Hugging FaceブログではHindi語を例として実施していますが、今回はこちらについて、日本語データを例にしながら動作を確認していきたいと思います。 概要 本記事では、Hugging Faceのフレームワークを用いたfine-tuningの実行を、日本語データセットを例
ffmpeg で GPU エンコードできるようにする 以前 ffmpeg を使ってコマンドラインから動画をエンコードする方法をまとめた。その際、GPU エンコードが上手くいかなかったので放置していたのだが、再トライしてみた次第。 過去記事 : ffmpeg で mkv 形式の動画を H.264 mp4 に変換してみた h264_nvenc (や nvenc_h264) で GPU エンコードできるようだが、自分が試した ffmpeg では上手くいかなかった。何かビルドしたりしないといけないらしい。面倒なので放置 当時どう上手くいかなかったのかというと、以下のようなエラーメッセージが出て異常終了していた。 driver does not support the required nvenc api version. required 11.1 found 11.0 割と簡単に何とかなったので
Rethinking Serverless with FLAME Author Name Chris McCord @chris_mccord @chris_mccord Imagine if you could auto scale simply by wrapping any existing app code in a function and have that block of code run in a temporary copy of your app. The pursuit of elastic, auto-scaling applications has taken us to silly places. Serverless/FaaS had a couple things going for it. Elastic Scale™ is hard. It’s eve
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに みなさんは動画編集をやったことはありますか？ 私は，頻度は低いものの動画編集をして動画投稿サイトに動画をアップロードした経験があります． 動画編集とは元来めんどくさく手間がかかるものではあるのですが，普段からWebアプリの開発をしている私は，以下のようなことを考えていました． HTML/CSSのように複数オブジェクトを一つのコンポーネントのように扱えたら，CSSのように統括して装飾を指定できたら，HTMLのレンダラー(ブラウザ)が相対値から計算して幅や高さを指定するように，動画のオブジェクトの時間長も編集アプリが計算して指定し
GitHub - FFmpeg/asm-lessons: FFmpeg Assembly Language Lessons
Welcome to the FFmpeg School of Assembly Language. You have taken the first step on the most interesting, challenging, and rewarding journey in programming. These lessons will give you a grounding in the way assembly language is written in FFmpeg and open your eyes to what's actually going on in your computer. Required Knowledge Knowledge of C, in particular pointers. If you don't know C, work thr
Chrome拡張機能をmanifest v3で開発した簡易記録とハマりポイントの解消方法 - 雑多に技術メモと他色々
Chromeの拡張機能（プラグイン）を自作で作ってみたので、色々書く。 やってみたこと やった結果 動かせたの？ 開発した時の環境 ハマりポイントと解消方法の一覧 そもそも拡張機能を作るために必要な構成や作るべきファイルがわからない 開発成果物のそれぞれの役割がよくわからない 自作したChrome拡張機能の取り込み方法がわからない ツールを修正した時の取り込み方法がよくわからない service_workerが動作しない原因がわからず、デバッグもできない content_scriptsに指定したcssの参照先画像(URL)にアクセスできない 拡張機能アイコンクリック時の動作が定義しても動かない service_workerで外部jsが使えない 自作した拡張機能用HTMLでonclick属性が動作しない Local Storageから読み込んだ情報が想定外にObjectになった Javasc
公開日：2022年8月23日 最終更新日：2023年1月16日 はじめに 環境構築 実行方法 学習済みパラメーター「sd-v1-4.ckpt」のダウンロード リポジトリのクローン 「sd-v1-4.ckpt」の移動 いよいよ実行 結果 つづき 動作確認できたその他の環境 CUDA 11.3.1 1 2 CUDA 11.6.2 1 2 VRAM不足に直面したら 更新履歴（2022年10月11日） バージョン2.1 はじめに最近「DALL-E2」や「Midjourney」など文章から画像を生成するAIが流行っています。 その一つが今回紹介する「Stable Diffusion」です。 「Stable Diffusion」の特徴はオープンソースで公開されていることであり、ローカル環境で実行可能です。 もちろんWeb上で簡単に試すことも可能で、こちらにデモンストレーションが公開されています。 hu
NanoPi R6S に Debian 11 Bullseye (Core) をインストールして rkmppenc で HW エンコード
この記事は最終更新日から1年以上が経過しています。情報が古くなっている可能性があります。 ラズパイ4よりスペック高い NanoPi R6S に Ubuntu 22.04 LTS (Desktop) をインストールする…おひさしぶりです。といってもこんなインターネットの場末にあるこのブログを定期購読みたいな形でチェックしている奇特な人間がいるとは思えませんが、記事を書くモチベーションがかなり低下してしまったこともあって、このブログも去年の4月以来まったく...blog.tsukumijima.net2023.02.17 以前の記事で紹介した NanoPi R6S ですが、何かやらかしたのか Ubuntu のデスクトップが起動しなくなってしまったこと、さらに色々いじっていたら環境が壊れたこともあり、OS を入れ直すことにしました。 NanoPi の製造元である FriendlyElec が提供
業務用と個人用でGitHubの無料アカウントを分ける
開発 (68) テスト (25) 自動化 (12) 設計 (19) その他 (1) Web (7) 言語 (125) C#.NET (7) Python (3) 正規表現 (2) TypeScript (37) JavaScript (19) CommonJS (4) ES Module (2) PHP (16) Xdebug (3) HTML (11) CSS (6) Golang (4) Perl (9) Markdown (5) batファイル (2) PowerShell (4) ライブラリ (36) React (16) Jinja (2) Next.js (14) Echo (2) Storybook (1) Windows Form (1) Node.js (57) npm (4) SWC (4) webpack (4) Jest (22) Prettier (4) ESLi
ROS2を使ってシミュレーション環境にてロボットアームをVLAで動かす (on Mac) - ABEJA Tech Blog
こちらはABEJA アドベントカレンダー 2025の8日目の記事です！ ABEJAでデータサイエンティストをしている岩城です。 最近はロボティクス関連のキャッチアップを行っています。 ロボットをやるにあたってROS2は避けては通れぬということで、最近ROS2初心者に入門しました。 今回は、ROS2を使ってロボットをVLAで動かす方法について、自身のキャッチアップも兼ねて書いていこうと思います。 シミュレーション環境で実施したのですが、筆者が手軽に動かせるPCはMacのみだったため、さまざまな制約と戦いながらの検証になりました。 この記事は、気軽にMacを使ってシミュレーション環境上でROS2 + VLAを試してみたいという方向けです。 ROS2とは VLAとは シミュレーション環境 実装 Mujocoを起動するノード SmolVLAを起動するノード 動作検証 手順 検証画面 最後に We
AIでディープフェイクを作るFaceFusionのインストールと使い方とNSFWフィルターの解除方法2024-06-30 FaceFusionとは？ いわゆるDeepFakeというのが作れるやつです。 トムブラウンの漫才でみちおの顔がトム・クルーズになってたりするあれが作れるやつです。 https://github.com/facefusion/facefusion 今回はWindowsでの導入方法を公式の説明を参考に確認していきます。 https://docs.facefusion.io/installation すべてコマンドプロンプト上で実行すればよいです。 必要なツールのインストール Git winget install -e --id Git.Git Conda winget install -e --id Anaconda.Miniconda3 --override "/Add
業務で使用している .zshrc 大公開！！！ 〜〜ちょっとした解説付き〜〜 - Adwaysエンジニアブログ
こんにちは！！！ 広告事業本部でアプリケーションエンジニアをしている森田です！！ みなさん、Zsh使ってますか？？ 僕は昨年、新卒で入社したタイミングでbashから乗り換えて使い始めました。 業務でMacを使用するようになり、シェルを立ち上げるたびに「デフォルトZshやから乗り換えてな」的なメッセージが出てくるのが嫌で乗り換ることになりました... きっかけとしてはこの通り受動的なものだったのですが、使ってみると意外と高機能でプラグインも豊富で以前よりよい開発体験を得ることができています。 乗り換えたてのころ、まわりの皆さんがどんな設定にしているのかなと気になり、 「ゾッシュってどんな設定にしてますか？」 と聞いたことがあり、場が一瞬？？？となったことがありました。 このブログではそんな僕がZshをズィーシェルと読むことを知り、業務のためにZshの設定ファイル.zshrcをいじってきた、そ
少し前から界隈を賑わせているWhisper。 どうやらスゴイらしい。 嬉しいことに 日本語対応 しかも無料 という太っ腹ぷり。 アーキテクチャ・どんなにスゴイかすっ飛ばして「環境つくり／テスト」に焦点を当てます。 （Colabの記事は既にいくつかあったので、dockerを使った環境構築を想定して書きます。） 結論から言うと、「めっちゃ簡単」でした。 こういうのってハマりどころが多いなと思って、備忘録として書いたのですが、簡単だったので内容が薄いです。。 とくにかく触ってみたい huggingfaceさんがデモを公開してくれています（いつもお世話になります）。 手っ取り早く試したい人はここから試すと良いでしょう。 環境構築（CPU） 環境はubuntuです。 こんな感じでDOCKERFILEを作ります。 FROM python:3.9-slim WORKDIR /workspace RUN
1.はじめに 今回ご紹介するのは、音声と１枚の顔画像を使って、顔画像がまるで話しているような動画を作成するOne Shot Talking Faceという技術です。 ＊この論文は、2022.12に提出されました。 2.One Shot Talking Face とは？ 下記が、One Shot Talking Faceの概略図です。まず、上段のAudio-visual Correlation Leraning（音声と画像の相関性学習）を行います。 特定話者の音声と顔のキーポイントの動きとの相関性をAudio-visual Correlation Transformer に学習させます。 学習後は、One-shot Generation（音声と一枚の顔画像から動画作成）を行います。音声と１枚の顔画像をAudio-visual Correlation Transformerに入力すると顔のキー
Host your own Mastodon instance on a Raspberry Pi - Raspberry Pi
We use some essential cookies to make our website work. We use optional cookies, as detailed in our cookie policy, to remember your settings and understand how you use our website. The ongoing emergency at Twitter has made a lot of us take a serious look at social media. After a lot of debate here at Pi Towers, we’ve now spun up our own Mastodon instance. The best thing about it? It’s running on a
声をPythonに聴かせて（マイクから入力した声をWhisperに、何度でも認識させよう） - nikkie-ftnextの日記
はじめに ういっすういっすういっすー！✌️ ぱー🖐 nikkieです。 シオン・プロジェクト、Whisper章の続編です。 観測範囲ではいろんな方がWhisperを触られてますね〜。 Whisperを使えば短いコードで音声ファイルを書き起こせます！ 今回は「音声ファイルではなく、マイクから入力した音声は書き起こせるの？」という疑問にアプローチします。 目次 はじめに 目次 前回のシオン・プロジェクト！：環境構築 動作環境 結論：Whisperはマイクからも音声認識できます！ 「何度でも認識させよう」のモチベーション マイクから入力した音声の認識、既存のアプローチ マイクから入力した音声の認識、提案したいアプローチ 音声データの渡し方を調査：transcribeメソッドは何をしているのか whisper.load_model whisper.model.Whisper.transcribe
「Google Colab」でOpenAIの「Whisper」を試してみました。 1. Whisper「Whisper」は、OpenAIが開発した、会話音声をテキストに変換するニューラルネットです。英語の音声認識において人レベルに近い堅牢性と精度を持ちます。大規模で多様な教師付きデータセットにより、アクセント、背景雑音、専門用語に対して堅牢性を向上させています。 2. Colabでの実行Colabでの実行手順は、次のとおりです。 (1) Colabで新規ノートブックを作成。 (2) パッケージのインストール。 # パッケージのインストール !pip install git+https://github.com/openai/whisper.git !sudo apt update !sudo apt install ffmpeg(3) 日本語の会話音声のwavファイルの準備。 今回は、つく
Hermes Agentとは？使うほど賢くなる自己改善型AIエージェントを徹底解説【OpenClawとの違いも比較】｜まさお@未経験からプロまでAI活用
Hermes Agentとは？使うほど賢くなる自己改善型AIエージェントを徹底解説【OpenClawとの違いも比較】 Hermes Agentは「育てる」AIエージェントAIエージェントの世界で今、急速に注目を集めているのがHermes Agentです。 Nous Researchが開発したこのオープンソース（MIT）のAIエージェントは、2026年2月のリリースからわずか2ヶ月でGitHub 47,400スター超を獲得。OpenClawの対抗馬として、世界中の開発者やAIユーザーの間で話題になっています。 Hermes Agentの公式キャッチフレーズは "The agent that grows with you"（あなたとともに成長するエージェント）。 これは単なるマーケティングコピーではありません。Hermes Agentには他のAIエージェントにはない**「組み込み学習ループ」*
はじめにこんにちは、Neo です。今回は、この10年くらいこのやり方でファイルを整理整頓しています、という情報を共有します。 先にフォルダ構成自分の場合はデータ量が多いので D ドライブ、E ドライブなど物理ドライブを分けてありますが、C ドライブしかない人は `C:\MyDocuments` 的な任意のフォルダを C ドライブ直下に作ってしまうと分かりやすいかと思います。 その配下は以下のようにフォルダ分けしています。 C:\MyDocuments\ とか D:\ とかの直下 │ ├ 0/ │ ├ Home/ ├ Media/ ├ Clouds/ ├ Tools/ ├ Dev/ │ ├ Music/ ├ Images/ ├ Videos/ └ Etc/まずは起点となるフォルダをなるべくドライブ直下に近いところにしておくことで、エクスプローラでの階層が掘り下げられないようにします。 `C:
こんにちは、ニケです。 色々あって最近 Open Interpreter のDiscordサーバーのMODになりました。 今回はその Open Interpreter から新しいオープンソースプロジェクトである「01」が発表されたので紹介したいと思います。 01 とは？Open Interpreterが搭載されたオープンソースプロジェクトで、2024年3月21日に発表されました。 「オーワン」と読むそうです。 Introducing the 01 Developer Preview. Order or build your own today: https://t.co/ROEcj9jVPX The 01 Light is a portable voice interface that controls your home computer. It can see your screen,
前回に引き続き、Stable DiffusionのControlNetで遊んでみます。ControlNetとは画像主に空間方向の強い条件付が可能です。LoRAと組み合わせて動画レンダリングのようなこともできつつあるので、使いこなすとかなり強力な武器になりそうです。 はじめに 前回はLoRAで遊んでみましたが、今回はこちらもよく話題にのぼるControlNetで遊んでみました。ControlNetもDiffusersで対応しており、簡単に使うことができます。 ControlNetとは 解説が結構多いので今更感はありますが、2023年2月に発表された論文です。 従来のStable Diffusionは「この人をこういうポーズで配置してほしい」や「ここにこれをおいてほしい」や「輪郭線はこうしてほしい」のような、なにか制約条件をおいた上で生成するということが難しいという課題がありました。実践的には
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
ObsidianをCMSにしたら、思ったより本格的だった話 - Qiita
ZigがAIを禁止する理由。GitHub離脱、確固たる運営方針。｜直也テック
OpenAIのSpeech-To-Text AI「Whisper」をM1 Macで試してみる
無料でOpenAIの「Whisper」を使って録音ファイルから音声認識で文字おこしする方法まとめ
レベル別で紹介！オープンソースで挑戦できる120のプロジェクトアイデア集 - Qiita
Pythonライブラリ 画質向上(超解像)：Real-ESRGAN｜KIYO
Waifu Diffusionをローカル環境で動かした手順
Blender＋ControlNetを用いたアニメーションの作り方
The Biggest Shell Programs in the World
長時間のゲームプレイ映像から爆速でショート動画を自動生成できる「AutoShorts」
ffmpeg で GPU エンコードできるようにする - Neo's World
Rethinking Serverless with FLAME
【VSML/VSS】動画を編集できる言語を作った話 - Qiita
画像生成AI「Stable Diffusion」をローカル環境で実行する - パソコン関連もろもろ
AIでディープフェイクを作るFaceFusionのインストールと使い方とNSFWフィルターの解除方法
Dockerを使ってOpenAIのWhisperをサクッと試す
One Shot Talking Face を使って音声で顔画像を動かす
Google Colab で はじめる OpenAI Whisper｜npaka
ココ10年くらいで安定している PC のフォルダ管理術｜Neos21 | 休職中エンジニア
Open Interpreter搭載のオープンソース「01」を試す｜ニケちゃん
Diffusers版のControlNet＋LoRAで遊ぶ：理論と実践 | Shikoan's ML Blog