หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>โค้ดแหล่งที่มา AI
ดาวน์โหลด


รายงาน.ai

◦ เสริมศักยภาพข้อมูลของคุณด้วย Report.ai

◦ พัฒนาด้วยซอฟต์แวร์และเครื่องมือด้านล่าง

สารบัญ

  • สารบัญ

  • ภาพรวม

  • คุณสมบัติ

  • โครงสร้างพื้นที่เก็บข้อมูล

  • โมดูล

  • เริ่มต้นใช้งาน

    • การติดตั้ง

    • กำลังรัน Report.ai

    • เริ่มต้นอย่างรวดเร็ว

  • แผนการทำงาน

  • มีส่วนร่วม

  • ใบอนุญาต

  • รับทราบ

ภาพรวม

ที่ Report.ai ภารกิจของเราชัดเจน: เพื่อให้คุณได้รับประสบการณ์การรายงานที่ขับเคลื่อนด้วย AI ที่แข็งแกร่ง เราได้ก้าวข้ามขีดจำกัดของการแบ่งส่วนตามความยาวของข้อความแบบเดิมๆ โดยเลือกใช้แนวทางที่ชาญฉลาดยิ่งขึ้น นั่นคือการแบ่งส่วนความหมาย วิธีการที่เป็นนวัตกรรมใหม่นี้รับประกันความแม่นยำที่ไม่มีใครเทียบได้ในการระบุทั้งธีมที่ครอบคลุมและรายละเอียดที่เหมาะสมยิ่งภายในเนื้อหาของคุณ ยิ่งไปกว่านั้น เรายังพยายามเป็นพิเศษด้วยการนำเสนอการถอดเสียงและเสียงในแต่ละส่วน โดยให้จุดอ้างอิงที่เชื่อถือได้สำหรับการทำความเข้าใจเนื้อหาของคุณอย่างครอบคลุม

ดาวน์โหลดเสียงจาก Youtube และแปลงเป็นทรานสคริปต์พร้อมการประทับเวลา

วิเคราะห์เนื้อหาโดยใช้เทมเพลตที่กำหนดเอง

รายงานผลลัพธ์

คุณสมบัติ

1. การแบ่งส่วนความหมาย:

แทนที่จะอาศัยความยาวของข้อความ Report.ai จะแบ่งกลุ่มรายงานของคุณตามความหมาย ซึ่งส่งผลให้มีการแบ่งย่อยเนื้อหาได้แม่นยำยิ่งขึ้น ทำให้คุณเข้าใจเนื้อหาได้ดีขึ้น

2. การถอดเสียงแบบโต้ตอบ:

รายงานของเราเป็นมากกว่าแค่การแสดงข้อความเท่านั้น ท่อนความหมายแต่ละส่วนจะถูกนำเสนอควบคู่ไปกับบทถอดเสียงแบบโต้ตอบ ช่วยให้คุณสามารถนำทางและอ้างอิงส่วนเสียงต้นฉบับได้อย่างราบรื่น

3. เทมเพลตที่ปรับแต่งได้:

เรามอบพลังแห่งการปรับแต่งมาไว้ในมือของคุณ ปรับแต่งการวิเคราะห์ของคุณอย่างง่ายดายโดยใช้เทมเพลตที่ปรับแต่งได้ของเรา ช่วยให้คุณสามารถดึงข้อมูลเชิงลึกที่สำคัญต่อคุณ

4. บูรณาการมัลติมีเดีย:

ไม่ว่าคุณจะทำงานกับลิงก์ YouTube ไฟล์เสียงในรูปแบบ WAV หรือการถอดเสียงข้อความในรูปแบบ TXT เราก็พร้อมรองรับคุณ Report.ai จัดการอินพุตมัลติมีเดียที่หลากหลายได้อย่างราบรื่น ทำให้ประสบการณ์ของคุณครอบคลุมและสะดวกสบาย

5. การสนับสนุนฐานข้อมูลระดับมืออาชีพ:

สำหรับผู้ที่ต้องการสร้างฐานข้อมูลระดับมืออาชีพ พื้นที่เก็บข้อมูลของเรามีการบูรณาการอย่างราบรื่นกับ Pinecone และ Chroma เครื่องมือขั้นสูงเหล่านี้มีความสามารถในการจัดการข้อมูลและการเรียกค้นข้อมูลที่เหนือกว่า ซึ่งจะช่วยเพิ่มมูลค่าให้กับการรายงานของคุณ

โครงสร้างพื้นที่เก็บข้อมูล

 └── อ่านฉัน/
    ├── .env
    ├── VAD.py
    ├──divide.py
    ├── ตัวอย่าง/
    │ ├── WATCH_LIVE_Nvidia_Q2_Earnings_Call_NVDA
    │ └── แบตช์.txt
    ├── main.py
    ├── ข้อกำหนด.txt
    ├── s2t_whisper.py
    ├── storage_vector.py
    ├── summary.py
    ├── เทมเพลต/
    │ ├── ทั่วไป.txt
    │ └── individuel.txt
    └── utils.py

โมดูล

ราก
ไฟล์ สรุป
ข้อกำหนด.txt จัดทำรายการการขึ้นต่อกันที่สำคัญซึ่งจำเป็นต่อการทำงานที่เหมาะสมของโค้ด
.env ไฟล์ .env ทำหน้าที่เป็นพื้นที่เก็บข้อมูลสำหรับการตั้งค่าการกำหนดค่าที่เกี่ยวข้องกับ API ต่างๆ ซึ่งรวมถึง OpenAI, Azure OpenAI และ Pinecone ภายในไฟล์นี้ คุณจะพบข้อมูลที่จำเป็น เช่น คีย์ API ชื่อรุ่น และการกำหนดค่าพื้นที่เก็บข้อมูล
utils.py ภายในไฟล์ utils.py คุณจะค้นพบฟังก์ชันยูทิลิตี้ต่างๆ มากมาย ฟังก์ชันเหล่านี้มีความหลากหลายและครอบคลุมงานที่จำเป็นต่างๆ รวมถึง: fuzzy_match: สำหรับการดำเนินการจับคู่สตริงแบบคลุมเครือ validate_filetype: การตรวจสอบความถูกต้องของประเภทไฟล์ ตรวจพบภาษา: การตรวจจับภาษาของไฟล์ข้อความ get_items: แยกรายการออกจากไฟล์เทมเพลต add_hyperlink: การเพิ่มไฮเปอร์ลิงก์ภายในเอกสาร Word divide_audio: การแบ่งไฟล์เสียงออกเป็นส่วนๆ get_file_list: การดึงรายการเส้นทางไฟล์
สรุป.py สคริปต์ summarize.py มีไว้เพื่อสร้างสรุปตามเทมเพลตที่พบใน template/general.txt และ template/individual.txt ข้อมูลสรุปเหล่านี้สามารถแปลได้ หากจำเป็น จากนั้นแปลงเป็นรูปแบบเอกสาร Microsoft Word (.docx) ตลอดกระบวนการนี้ เอกสารจะเต็มไปด้วยไฮเปอร์ลิงก์และรายละเอียดบริบทเพิ่มเติม
s2t_whisper.py s2t_whisper.py มีฟังก์ชันในการดาวน์โหลดวิดีโอ YouTube, แยกเสียง, ลบความเงียบ, แปลงคำพูดเป็นข้อความด้วยการประทับเวลา และเพิ่มเครื่องหมายวรรคตอนสำหรับเนื้อหาภาษาจีน การถอดเสียงที่ได้จะถูกบันทึกทั้งในรูปแบบ JSON และ TXT
VAD.py VAD.py ใช้เพื่อแยกเสียงมนุษย์ออกจากไฟล์เสียง โดยแบ่งเสียงออกเป็นท่อนๆ ละ 10 นาที ส่งออกแต่ละท่อนเป็นไฟล์แยกกัน และแยกเสียงมนุษย์โดยใช้ไลบรารี Spleter จากนั้นเสียงร้องที่แยกออกมาจะรวมเป็นไฟล์เสียงไฟล์เดียว
divide.py divide.py คือการแบ่งบทความออกเป็นหัวข้อย่อยตามการถอดเสียง คลาสมีเมธอดส่วนตัวหลายวิธี: _string_cleaner ทำความสะอาดสตริงอินพุต, _get_timestamp_list แยกการประทับเวลาจากไฟล์ JSON, _add_timestamp เพิ่มการประทับเวลาให้กับหัวข้อย่อย, _add_transcript เพิ่มการถอดเสียงลงในหัวข้อย่อย และ _divide_by_subtopics ใช้โมเดลภาษาเพื่อแบ่งบทความออกเป็นชิ้นๆ
main.py main.py เป็นสคริปต์อเนกประสงค์ที่ออกแบบมาสำหรับการวิเคราะห์ไฟล์และการสร้างสรุป ให้ความยืดหยุ่นอย่างกว้างขวางโดยการยอมรับอาร์กิวเมนต์บรรทัดคำสั่งต่างๆ รวมถึง: File Path : เพื่อระบุไฟล์สำหรับการวิเคราะห์ Chunk Size : ช่วยให้คุณสามารถกำหนดขนาดของส่วนของข้อความได้ Temperature of Language Model : เพื่อปรับแต่งพฤติกรรมของโมเดลภาษาอย่างละเอียด Batch Mode : ช่วยให้คุณสามารถระบุว่าสคริปต์ควรทำงานในโหมดแบทช์หรือไม่ Report Generation : ให้ตัวเลือกในการสร้างรายงาน Vector Database Selection : ช่วยให้คุณสามารถเลือกระหว่างฐานข้อมูลเวกเตอร์ Pinecone และ Chroma ASR (Automatic Speech Recognition) Model : สำหรับเลือกรุ่น ASR ที่เหมาะสมที่จะใช้
storage_vector.py สคริปต์ storage_vector.py มีฟังก์ชันสำคัญ 2 ฟังก์ชัน: pinecone_storage และ chroma_storage ซึ่งทั้งสองฟังก์ชันได้รับการออกแบบมาเพื่ออำนวยความสะดวกในการจัดเก็บผลลัพธ์ในฐานข้อมูลเวกเตอร์
แม่แบบ
ไฟล์ สรุป
individuel.txt เนื้อหาของ individuel.txt แสดงรายการที่ได้รับการวิเคราะห์ภายในแต่ละหัวข้อย่อย
ทั่วไป.txt เนื้อหาของ general.txt จัดเตรียมรายการที่ได้รับการวิเคราะห์ภายในการถอดเสียงทั้งหมด
ตัวอย่าง
ไฟล์ สรุป
ชุด.txt ไฟล์ batch.txt ใช้เพื่ออำนวยความสะดวกในการประมวลผลไฟล์หลายไฟล์ ซึ่งทำได้โดยการแสดงรายการพาธของไฟล์โดยคั่นด้วยเครื่องหมายจุลภาค เพื่อระบุว่าไฟล์ใดบ้างที่ต้องประมวลผลตามลำดับ
WATCH_LIVE_Nvidia_Q2_Earnings_Call_NVDA.txt WATCH_LIVE_Nvidia_Q2_Earnings_Call_NVDA.txt มีบันทึกผลการดำเนินงานทางการเงินของไตรมาส 2 ปี 2023 ของ NVIDIA และเว็บแคสต์ถามตอบ

การกำหนดค่า

ธงสั้น ธงยาว คำอธิบาย พิมพ์ สถานะ
- โอ้ --output_dir การตั้งค่าไดเร็กทอรีเอาต์พุตสำหรับรายงาน ค่าเริ่มต้นคือ ./docx เชือก ตัวเลือก
- ค --ก้อน การตั้งค่าขนาดก้อนสำหรับการวิเคราะห์ แนะนำ (GPT-3.5: 10,000 ใน en, 2000 ใน zh, GPT-4: 18000 ใน en, 3600 ใน zh) ค่าเริ่มต้นคือ 2000 สตริง ตัวเลือก
- ที --อุณหภูมิ ปรับอุณหภูมิของ LLM ภายในช่วง 0 ถึง 2 อุณหภูมิที่สูงขึ้นหมายถึงความคิดสร้างสรรค์ที่มากขึ้น ค่าเริ่มต้นคือ 0.1 ลอย ตัวเลือก
- อี --สารสกัด แยกเสียงมนุษย์ออกจากเสียงหรือไม่ (ไม่รองรับ Mac ที่มี Apple Silicon) ค่าเริ่มต้นคือเท็จ บูลีน ตัวเลือก
-ข --แบทช์ ใช้ 'True' หากไฟล์ข้อความอินพุตมีหลายเส้นทางของไฟล์ ค่าเริ่มต้นคือ False บูลีน ตัวเลือก
- โวลต์ --vectorDB เลือกฐานข้อมูลเวกเตอร์ (ไพน์โคอีนหรือโครมา) ค่าเริ่มต้นคือไม่มี เชือก ตัวเลือก
- ม --แบบอย่าง เลือกรุ่นกระซิบ ('เล็ก', 'ฐาน', 'เล็ก', 'กลาง', 'ขนาดใหญ่-v2') ค่าเริ่มต้นคือปานกลาง เชือก ตัวเลือก

เริ่มต้นใช้งาน

การพึ่งพาอาศัยกัน

โปรดตรวจสอบให้แน่ใจว่าคุณได้ติดตั้งการขึ้นต่อกันต่อไปนี้บนระบบของคุณ:

- Aanaconda or Miniconda

- python >=3.7, <=3.9 (Apple silicon python >= 3.8, <=3.9)

- pytorch

- การติดตั้ง

  1. โคลนที่เก็บ Report.ai:

 โคลนคอมไพล์ https://github.com/Shou-Hsu/Report.ai.git

  1. เปลี่ยนเป็นไดเร็กทอรีโครงการ:

 ซีดี Report.ai

  1. ติดตั้งคอนดา:

 ติดตั้ง minicode ผ่าน https://docs.conda.io/projects/miniconda/en/latest/miniconda-install.html

  1. สร้างสภาพแวดล้อมเสมือนจริง:

 conda create -n Report.ai python=3.9

  1. เปิดใช้งานสภาพแวดล้อมเสมือน:

 conda เปิดใช้งาน Report.ai

  1. ติดตั้งไพทอร์ช:

 ติดตั้ง pytorch ผ่านhttps://pytorch.org/get-started/locally/

  1. ติดตั้ง ffmpeg และ libsndfile:

 conda ติดตั้ง -c conda-forge ffmpeg libsndfile.conda

  1. ติดตั้งการพึ่งพา:

 pip ติดตั้ง -r ข้อกำหนด.txt

  1. (Mac เท่านั้น) อัปเดตการอ้างอิง:

 pip ติดตั้ง -U numba

กำลังรัน Report.ai

 หลาม main.py <file_path> -c 10,000

เริ่มต้นอย่างรวดเร็ว

  1. การตั้งค่าข้อมูลรับรอง Openai หรือ Azure openai ภายในไฟล์ .env นอกจากนี้ การตั้งค่าข้อมูลรับรองของ Pinecone หรือ Chroma หากต้องการจัดเก็บข้อมูลใน VectorDB

 # chioce หนึ่งในผู้ให้บริการโมเดล gpt Azure หรือ OpenAI# Azure openAI credentialAZURE_OPENAI_API_KEY=
AZURE_OPENAI_API_BASE=
AZURE_OPENAI_API_VERSION=
AZURE_OPENAI_API_TYPE=
AZURE_DEPLOYMENT_NAME=
EMBEDDING_DEPLOYMENT_NAME= #เฉพาะในกรณีที่คุณใช้ Azure OpenAI# # ข้อมูลรับรอง OpenAIOPENAI_API_KEY=
MODEL_NAME=# # ข้อมูลรับรอง pinecone (ตัวเลือก) PINECONE_API_KEY=
PINECONE_ENV=# ChromaDB (ตัวเลือก)PERSIST_DIR=
คอลเลกชัน_NAME=

  1. แก้ไข tempelete/general.txt และ tempelete/individuel.txt (รายการวิเคราะห์ซึ่งคั่นด้วย ",")

 #ตัวอย่างเช่น หากคุณต้องการวิเคราะห์ "การเรียกหารายได้" คุณสามารถกำหนด "หัวข้อ สรุป คำอธิบายของ CFO เกี่ยวกับสถานการณ์ทางการเงินระยะสั้น คำอธิบายของ CEO เกี่ยวกับแนวโน้มของบริษัท ประเด็นข้อกังวลของตลาด" ใน tempelete/ ทั่วไป.txt
    พร้อมกัน ให้ตั้งค่า "บทคัดย่อ ข้อมูลเชิงลึกด้านการลงทุน คำสำคัญ" ใน tempelete/individuel.txt#ในกรณีที่คุณต้องการสร้างสรุปโดยย่อของ "การประชุมตามปกติ" คุณสามารถตั้งค่า "หัวข้อ สรุป งานคุณลักษณะ" ใน tempelete/ ทั่วไป.txt
    พร้อมกัน ตั้งค่า "บทคัดย่อ รายการการกระทำ คำหลัก" ใน tempelete/individuel.txt

  1. เรียกใช้ Report.ai ในบรรทัดแนะนำ

 หลาม main.py ตัวอย่าง/WATCH_LIVE_Nvidia_Q2_Earnings_Call_NVDA.txt -c 10,000

แผนงานโครงการ

  • Publish project as a Python library via PyPI for easy installation.

  • Make project available as a Docker image on Docker Hub.

มีส่วนร่วม

การอภิปราย

  • เข้าร่วมการสนทนาที่นี่

ฉบับใหม่

  • รายงานข้อบกพร่องหรือขอคุณสมบัติที่นี่

แนวทางการมีส่วนร่วม

ใบอนุญาต

เอ็มไอที.

รับทราบ

  • แลงเชน, OpenAI, ไพน์โคน, โครมา, สปลีเตอร์

กลับ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด