Préparation d'un article sur Software Heritage pour Bioinfo-fr

Ce dépôt contient les ressources pour préparer un article de blog sur Software Heritage pour le site Bioinfo-fr.

Ressources

Vidéo source : Tuto@Mate#64 Pierre Poulain présente Git et l'archive Software Heritage

L'API Whisper de Groq supporte des fichiers audio au format mp3, mp4, wav... avec une taille maximale de 25 Mo.

Les modèles supportant le français sont whisper-large-v3-turbo et whisper-large-v3. Le dernier est un peu plus lent, mais fait aussi moins d'erreurs.

Groq recommande également de réduire la qualité du fichier à du mono en 16 000 Hz :

ffmpeg \
  -i <your file> \
  -ar 16000 \
  -ac 1 \
  -map 0:a: \
  <output file name>

Préparation du fichier audio

Installer Pixi si besoin.

Télécharger le fichier audio de la vidéo :

pixi run yt-dlp -f 140 -o audio_full.m4a https://www.youtube.com/watch?v=GjVrZbU0PB0

Découper la partie intéressante, de 1:32:50 à 1:52:45 :

pixi run ffmpeg \
  -i audio_full.m4a \
  -ss 01:32:50 -to 01:52:45 \
  -c:a libmp3lame \
  audio.mp3

Passer en mono 16 000 Hz :

pixi run ffmpeg \
  -i audio.mp3 \
  -ar 16000 \
  -ac 1 \
  -map 0:a: \
  audio_clean.mp3

Vérifier que le fichier audio final a une taille inférieure à 25 Mo :

$ ls -lh audio*
-rw-rw-r-- 1 pierre pierre 3,5M déc.  30 11:34 audio_clean.mp3
-rw-rw-r-- 1 pierre pierre 122M oct.  11 17:03 audio_full.m4a
-rw-rw-r-- 1 pierre pierre  19M déc.  30 11:33 audio.mp3

Transcription

Exporter la clé d'API Groq :

export GROQ_API_KEY=gsk_...

Lancer la transcription :

pixi run python transcript.py > audio_text.txt

Préparation de l'article de blog

Prompt ChatGPT 4o :

Organise le texte suivant sur Software Heritage sous la forme d'un article de blog à destination de bioinformaticiens. L'article doit être structuré et factuel. N'enjolive pas mais donne envie aux lecteurs d'archiver leur code dans Software Heritage : [contenu de audio_text.txt]

• Réponse de ChatGPT
• Version 1 après reprise et relecture