Die KI-Entwicklung schreitet rasant voran. Fortschritte in der {Hardware}- und Softwareoptimierung sowie bessere Datensätze ermöglichen nun, dass Trainingsläufe, die früher Wochen dauerten, in wenigen Stunden abgeschlossen werden konnten. Ein aktuelles Replace des KI-Forschers Andrej Karpathy zeigt diesen Wandel deutlich: Das Open-Supply-Projekt Nanochat kann jetzt ein GPT-2-Modell auf einem einzelnen Knoten mit 8× NVIDIA H100-GPUs in etwa zwei Stunden trainieren, im Gegensatz zu drei vor einem Monat.

Noch auffälliger ist, dass KI-Agenten innerhalb von 12 Stunden 110 Codeänderungen vorgenommen haben und so den Validierungsverlust verbessert haben, ohne das Coaching zu verlangsamen. In diesem Artikel untersuchen wir, wie selbstoptimierende KI-Systeme die Artwork und Weise, wie KI-Forschung und Modelltraining durchgeführt werden, verändern könnten.

Was ist Nanochat?

Andrej Karpathy hat Nanochat entwickelt, um ein grundlegendes, vollständiges Sprachmodell-Trainingssystem bereitzustellen, das als Finish-to-Finish-Lösung dient. Ziel des Projekts ist es zu zeigen, wie Entwickler ein vollständiges System im ChatGPT-Stil aufbauen können, indem sie eine kleine und verständliche Codebasis als Grundlage verwenden. Nanochat bietet durch sein Design zwei Hauptvorteile, da es die Notwendigkeit mehrerer komplexer Abhängigkeiten eliminiert und gleichzeitig eine vollständige Systemtransparenz gewährleistet.

Das Framework umfasst den gesamten Lebenszyklus des Trainings und der Bereitstellung eines Sprachmodells:

• Tokenizer-Schulung
• Vortraining des Basismodells
• Mitte des Trainings mit Konversationsdatensätzen
• Beaufsichtigte Feinabstimmung
• Optimierung des Reinforcement-Lernens
• Inferenz- und Chat-Schnittstelle

Mit einer Gesamtcodelänge von 8000 Zeilen stellt die gesamte Pipeline eine der einfachsten Open-Supply-Lösungen dar LLM Trainingssysteme, auf die heute zugegriffen werden kann.

Wie funktioniert das AutoResearch-System?

Das AutoResearch-Framework etabliert eine Forschungsschleife, die es KI-Agenten ermöglicht, die Codebasis durch ihren fortlaufenden Check- und Verifizierungsprozess zu entwickeln. Das System fungiert als automatischer Forschungsingenieur, der Experimente durchführt, um seine Leistung zu untersuchen.

Der Workflow umfasst die folgenden Schritte:

1. Repository-Initialisierung

Der Agent startet mit einem vorhandenen Projekt-Repository (z. B. Nanochat). Das System erstellt eine experimentelle Umgebung, die die vollständige Codebasis durch einen Prozess des Codebasis-Klonens umfasst.

2. Zweigerstellung

Der Agent richtet einen neuen Testzweig ein, der es ihm ermöglicht, Exams zu Änderungen durchzuführen, ohne das Risiko einer Störung der primären Codebasis einzugehen.

3. Vorschlag zur Codeänderung

Der Agent analysiert das Repository und schlägt durch seine Analysearbeit, die vier Hauptkomponenten umfasst, mögliche Verbesserungen vor.

• Optimierungen der Trainingsschleife
• Verbesserungen bei der Vorverarbeitung von Datensätzen
• Hyperparameter-Anpassungen
• Optimierungen der Modellarchitektur

4. Automatisierte Experimentausführung

Das System führt die automatische Ausführung von geändertem Code durch, um Modellschulungs- und Testaktivitäten zu unterstützen. Es zeichnet Metriken auf wie:

• Validierungsverlust
• Trainingsgeschwindigkeit
• Ressourcennutzung

5. Leistungsbewertung

Das System führt einen direkten Vergleich zwischen den aktuellen Ergebnissen und der ermittelten Basisleistung des Modells durch. Die neue Model weist gegenüber der Vorgängerversion eine überlegene Leistung auf, was als System-Improve gilt.

6. Automatisierte Zusammenführung

Das System führt die automatische Zusammenführung validierter Verbesserungen im Hauptcodezweig durch.

7. Kontinuierliche Forschungsschleife

Der Agent richtet einen ewigen Forschungszyklus ein, der die Entwicklung eines automatisierten Forschungssystems ermöglicht, das sich durch dauerhaften Betrieb selbst verbessert.

Durch seine autonome Betriebsweise, die keinen menschlichen Kontakt erfordert, kann das System mehrere Dutzende bis Hunderte von Codeverbesserungen erzeugen.

Einrichtung und Set up

Das Framework kann so eingerichtet werden, dass autonome Forschungsexperimente lokal durchgeführt werden.

1. Klonen Sie das Repository

git clone https://github.com/karpathy/autoresearch.git 

cd autoresearch

2. Einrichten der Umgebung

python -m venv venv 

supply venv/bin/activate

3. Installieren Sie die Abhängigkeiten

pip set up -r necessities.txt 

4. Konfigurieren Sie die API-Schlüssel

export OPENAI_API_KEY="your_api_key_here" 

5. Führen Sie den Autonomous Agent aus

python primary.py 

Der 2-stündige GPT-2-Trainingsdurchbruch

Das Nanochat-Projekt erzielte seine wichtigste jüngste Errungenschaft durch die Erreichung einer schnelleren Geschwindigkeit GPT-2 Modellschulungszeiten. Die folgenden Informationen zeigen die Trainingszeit und die {Hardware}, die zur Erledigung der Aufgabe verwendet wurden:

• Trainingszeit: ~3 Stunden
• {Hardware}: 8× NVIDIA H100 GPUs

Die Einarbeitungszeit hat sich bei gleichem {Hardware}-Setup auf etwa zwei Stunden verkürzt. Die Verbesserung scheint geringfügig zu sein, aber die maschinelle Lernforschung profitiert von schnelleren Trainingszyklen, da sie es Forschern ermöglicht, Experimente schneller durchzuführen.

Forscher können mehr Ideen testen, schneller iterieren und Verbesserungen früher entdecken. Als wesentliche Bestandteile, die diese Leistung ermöglichten, dienten folgende Optimierungen:

1. Wechsel zum NVIDIA ClimbMix-Datensatz

Die bedeutendste Leistungssteigerung resultierte aus der Änderung des Trainingsdatensatzes. Frühere Forschungsstudien analysierten die folgenden Datensätze:

Die Trainingsexperimente zeigten Trainingsregressionen, wenn diese Datensätze verwendet wurden.

Nanochat erzielte bessere Ergebnisse, als es mit der Verwendung des NVIDIA ClimbMix-Datensatzes begann, da weniger Optimierungsarbeiten erforderlich waren. Die Studie zeigt eine entscheidende Lektion über die KI-Entwicklung. Die Datenqualität kann genauso wichtig sein wie die Modellarchitektur.

Die richtige Auswahl des Datensatzes führt zu erheblichen Fortschritten sowohl bei der Trainingseffizienz als auch bei den Modelltestergebnissen.

2. FP8 Präzisionstraining

Die zweite Optimierungsleistung ermöglichte die Ausführung des FP8-Präzisionstrainings innerhalb des Programs. FP8 (8-Bit-Gleitkomma) ermöglicht es GPUs, Berechnungen schneller durchzuführen und gleichzeitig eine ausreichende Genauigkeit für das Coaching neuronaler Netzwerke beizubehalten.

• Die Vorteile der FP8-Schulung bringen den Benutzern folgende Vorteile:
• Das System führt Tensorberechnungen mit höheren Geschwindigkeiten durch.
• Das System benötigt für seinen Betrieb weniger Speicherbandbreite.
• Das System erzielt eine bessere Ausgabeleistung seiner Grafikverarbeitungseinheit.
• Das System bietet Bildungseinrichtungen günstigere Ausbildungskosten.

Die effektivste Methode zur Leistungssteigerung bei umfangreichen KI-Workloads besteht in der Auswahl von Präzisionsstufen, die optimale Ergebnisse liefern.

3. Schulung der Pipeline-Optimierung

Die Trainingspipeline für Nanochat erhielt über die Datensatzänderungen und die FP8-Optimierung hinaus mehrere Verbesserungen. Das System erhielt mehrere Upgrades, darunter bessere Datenladepipelines und optimierte Trainingsschleifen sowie eine verbesserte GPU-Auslastung und eine verfeinerte Stapelplanung.

Die Kombination kleiner Leistungsverbesserungen aus jeder einzelnen Optimierung führte zu einer beobachtbaren Verkürzung der Trainingsdauer.

KI-Agenten verbessern jetzt Nanochat

Das Nanochat-Ökosystem hat seinen aufregendsten Punkt erreicht, da KI-Agenten daran arbeiten, die Projektentwicklung durch automatische Projekt-Upgrades zu verbessern. Karpathy hat ein Testsystem entwickelt, das es KI-Agenten ermöglicht, die Codebasis durch automatisierte Exams zu entwickeln, anstatt manuelle Exams für Verbesserungen durchzuführen.

Der Workflow läuft über die folgenden grundlegenden Schritte ab:

• Der Agent richtet einen neuen Function-Zweig ein.
• Der Agent schlägt Änderungen und Leistungsverbesserungen vor.
• Das System führt Experimente automatisiert durch.
• Das System führt Aktualisierungen zusammen, wenn die Änderungen zu besseren Ergebnissen führen.

Das System generierte seine Ausgabe in 12 Stunden, darunter:

• 110 Codeänderungen
• Das System verringerte den Validierungsverlust 0,862415 bis 0,858039
• Das System behielt die vorhandene Trainingszeit bei

Das System etabliert einen fortlaufenden Testprozess, der eine schnelle Umsetzung von Testergebnissen ermöglicht, die zu System-Upgrades führen. Das System fungiert als Forschungseinheit, die an ihrem eigenen Entwicklungsprozess arbeitet.

Die Zukunft der Open-Supply-KI

Nanochat ist auch Teil einer breiteren Bewegung hin zu einer Open-Supply-KI-Infrastruktur. Entwickler aus verschiedenen Ländern erstellen und verbessern durch ihre gemeinsamen Bemühungen KI-Systeme, die nicht von großen Unternehmenslabors abhängig sind. Open-Supply-LLM Projekte bieten mehrere Vorteile:

• Transparenz bei der KI-Entwicklung
• Group-Zusammenarbeit ermöglicht schnellere Innovationen
• neuen Forschern fällt der Einstieg in das Fachgebiet leichter

Die bevorstehenden {Hardware}-Fortschritte und Verbesserungen der Schulungspipeline werden es kleinen Groups ermöglichen, mit den Fähigkeiten großer KI-Labore mitzuhalten.

Das KI-Ökosystem wird aufgrund dieser Entwicklung eine Explosion an Kreativität und Experimentierfreudigkeit erleben.

Abschluss

Die neueste Errungenschaft von Nanochat beweist, dass die KI-Entwicklung ein beschleunigtes Fortschrittstempo erreicht hat. Die Fähigkeit, ein GPT-2-Fähigkeitsmodell innerhalb von zwei Stunden mit aktueller Computertechnologie zu trainieren, gilt als herausragende Leistung.

Der wichtigste technologische Fortschritt ergibt sich aus der Entwicklung von KI-Agenten die über die Fähigkeit verfügen, Systemverbesserungen ohne menschliches Zutun durchzuführen. Autonome Forschungsschleifen, die jetzt in ihrem aktuellen Zustand existieren, werden es Forschern ermöglichen, Forschungsprogramme zu entwickeln, die erhebliche Ergebnisse liefern.

Häufig gestellte Fragen

Forscher können heute mit KI-Unterstützung komplette Arbeiten verfassen, Experimente schneller als je zuvor durchführen und Literatur in wenigen Minuten zusammenfassen. Dennoch bleibt ein hartnäckiger Engpass bestehen: die Erstellung klarer, publikationsreifer Diagramme. Schlechte Diagramme sehen unprofessionell aus und können Ideen verschleiern und die Wirkung einer Arbeit schwächen. Google scheint nun eine Lösung dafür zu haben – und sie heißt „PaperBanana“.

Von Modellarchitekturen bis hin zu Workflow-Pipelines erfordern publikationsreife Visuals immer noch Stunden an Arbeit SteckdoseFigma oder LaTeX-Instruments. Außerdem ist nicht jeder Forscher ein Designer. Hier kommt PaperBanana ins Spiel. Das System wurde entwickelt, um Textbeschreibungen in saubere, wissenschaftlich nutzbare Bilder umzuwandeln und zielt darauf ab, einen der zeitaufwändigsten Teile der Forschungskommunikation zu automatisieren. Anstatt Zahlen manuell zu zeichnen, können Forscher jetzt ihre Methoden beschreiben und die visuelle Übersetzung der KI überlassen.

Hier untersuchen wir PaperBanana im Element, was es verspricht und wie es Forschern im Allgemeinen hilft.

Was ist PaperBanana?

Im Kern ist PaperBanana ein KI-System, das Textbeschreibungen in publikationsreife akademische Diagramme umwandelt. Anstatt Arbeitsabläufe, Modellarchitekturen oder Experimentierpipelines manuell zu zeichnen, können Benutzer PaperBanana ihre Methode im Klartext beschreiben. Es generiert sofort ein klares, strukturiertes Bildmaterial, das sich für Forschungsarbeiten, Präsentationen oder technische Dokumentationen eignet.

Im Gegensatz zu allgemeinen KI-Bildgeneratoren (sehen Sie sich die an Prime im Jahr 2026) ist PaperBanana speziell für die wissenschaftliche Kommunikation konzipiert. Es versteht die Konventionen akademischer Zahlen, nämlich Klarheit, logischen Ablauf, beschriftete Komponenten und Lesbarkeit. Dadurch wird sichergestellt, dass bei den Ausgaben eher ein professionelles Aussehen als ein dekorativer Anblick im Vordergrund steht.

Laut Google kann das System eine Reihe von visuellen Darstellungen generieren, darunter Methodikdiagramme, Systempipelines, statistische Diagramme, Konzeptillustrationen und sogar ausgefeilte Versionen grober Skizzen. Kurz gesagt: Durch den Fokus auf Genauigkeit und Struktur optimiert PaperBanana die Artwork und Weise, wie Forscher komplexe Ideen visuell präsentieren.

Aber dieser Anwendungsfall kann es verständlicherweise einem KI-Bildgenerator sehr nahe bringen.

Wie unterscheidet es sich von KI-Bildgeneratoren?

Auf den ersten Blick könnte es so aussehen, als wäre PaperBanana nur ein weiterer KI-Bildgenerator. Schließlich hat es sogar einen sehr ähnlichen Namen wie das berühmte NanoBanana, auch von Google. Und die Tatsache, dass Instruments wie DALL·E, Midjourney und Steady Diffusion auch atemberaubende visuelle Darstellungen aus Textaufforderungen erstellen können, trägt zur Ähnlichkeit bei.

Aber verstehen Sie: Wissenschaftliche Diagramme sind keine Kunst.

Sie erfordern Präzision, logische Struktur, korrekte Bezeichnungen und eine getreue Darstellung von Prozessen. Hier greifen herkömmliche KI-Bildgeneratoren zu kurz.

Bei der Entwicklung von PaperBanana steht die Genauigkeit im Mittelpunkt. Anstatt zu „zeichnen“, was richtig aussieht, konzentriert es sich auf das, was strukturell und wissenschaftlich korrekt ist. Es bewahrt die Beziehungen zwischen Komponenten, sorgt für den logischen Fluss und stellt sicher, dass Beschriftungen und Anmerkungen die beschriebene Methodik widerspiegeln.

Bei Diagrammen und Plots geht es noch einen Schritt weiter. Es generiert visuelle Darstellungen durch Code-basiertes Rendering, um numerische Korrektheit anstelle von ungefähren visuellen Darstellungen sicherzustellen.

Zusamenfassend:

• Typische KI-Bildgeneratoren optimieren die Ästhetik.
• PaperBanana optimiert Genauigkeit und Klarheit.

Diese Unterscheidung macht den entscheidenden Unterschied in der akademischen und technischen Kommunikation.

So funktioniert PaperBanana

PaperBanana funktioniert wie ein Crew aus fünf Agenten und nicht wie ein einzelnes „Bild generieren“-Modell. Diese fünf Agenten Arbeiten Sie in zwei verschiedenen Phasen, nachdem Sie zwei Arten von Eingaben von den Benutzern erhalten haben. Die Eingabetypen sind –

Quellkontext (S): den Inhalt Ihrer Arbeit/Methodenbeschreibung

Kommunikationsabsicht (C): was die Figur mitteilen soll (z. B. „Trainingspipeline anzeigen“, „Architektur erklären“, „Methoden vergleichen“)

Von da an läuft PaperBanana in zwei Phasen:

1) Lineare Planungsphase (Agenten erstellen den Entwurf)

• Retriever-Agent zieht relevante Referenzbeispiele (E) aus einem Referenzsatz (R) – im Grunde: „Wie sehen gute akademische Diagramme wie dieses normalerweise aus?“
• Dann die Planer-Agent wandelt Ihren Kontext in eine anfängliche Diagrammbeschreibung (P) um – einen strukturierten Plan dessen, was in der Abbildung erscheinen und wie sie ablaufen soll.
• Als nächstes die Stylist-Agent wendet akademische ästhetische Richtlinien (G) an, die aus diesen Referenzen gelernt wurden, und erstellt eine optimierte Beschreibung (P*). Ab diesem Zeitpunkt sieht es wie eine saubere Figur im Publikationsstil aus – und nicht wie eine zufällige Infografik.

2) Iterative Verfeinerungsschleife (Agenten verbessern es in Runden)

• Nun die Visualizer-Agent verwandelt diese optimierte Beschreibung in eine tatsächliche Ausgabe:
  – entweder ein generiertes Diagramm/Bild (Iₜ)
  – oder ausführbarer Code (für Plots/Diagramme)
• Dann die Kritischer Agent greift ein und vergleicht die Ausgabe mit dem Quellkontext zur sachlichen Überprüfung (sind die Etiketten richtig? Ist der Ablauf korrekt? Wurde etwas erfunden?). Basierend auf der Kritik erstellt das System eine verfeinerte Beschreibung (Pₜ₊₁) und führt eine erneute Schleife durch.

Dies läuft über T = 3 Runden (wie gezeigt) und das Endergebnis ist die endgültige Abbildung (Iₜ).

In einer Zeile: PaperBanana „zeichnet“ nicht – es plant, gestaltet, generiert, kritisiert und verfeinert wie ein echter akademischer Figuren-Workflow.

Benchmark-Leistung

Um seine Wirksamkeit zu bewerten, führten die Autoren PaperBananaBench ein, einen Benchmark, der auf echten NeurIPS-Papierzahlen basiert, und verglichen PaperBanana mit traditionellen Bildgenerierungsansätzen und Agentenbasislinien.

Im Vergleich zur direkten Eingabeaufforderung von Bildmodellen („Vanilla“-Generierung) und Wenig-Schuss-EingabeaufforderungPaperBanana verbessert die Genauigkeit, Lesbarkeit und Gesamtqualität von Diagrammen erheblich. In Kombination mit Nano-Banana-Professional erreichte PaperBanana:

• Treue: 45,8
• Prägnanz: 80,7
• Lesbarkeit: 51,4
• Ästhetische Qualität: 72,1
• Gesamtnote: 60,2

Was den Kontext anbelangt, schnitten Vanilla-Bilderzeugungsmethoden bei der strukturellen Genauigkeit und Lesbarkeit deutlich schlechter ab, während von Menschen erstellte Diagramme im Durchschnitt eine Gesamtpunktzahl von 50,0 erreichten.

Die Ergebnisse unterstreichen die Kernkompetenz von PaperBanana: die Erstellung von Diagrammen, die nicht nur optisch ansprechend, sondern auch strukturgetreu und leichter verständlich sind.

Beispiele für PaperBanana in Aktion

Um die tatsächliche Wirkung von PaperBanana zu verstehen, ist es hilfreich, einen Blick darauf zu werfen, was es tatsächlich bewirkt. Das Forschungspapier zeigt mehrere Diagramme, die direkt aus Methodenbeschreibungen generiert wurden und veranschaulichen, wie das System komplexe Arbeitsabläufe in saubere, publikationsreife visuelle Darstellungen übersetzt.

Von Modellpipelines und Systemarchitekturen Von experimentellen Arbeitsabläufen bis hin zu konzeptionellen Diagrammen weisen die Ergebnisse ein Maß an Struktur und Klarheit auf, das den Zahlen in erstklassigen Konferenzbeiträgen sehr nahe kommt.

Nachfolgend finden Sie einige von PaperBanana generierte Beispiele, die im Forschungsbericht veröffentlicht werden:

Methodikdiagramme

Statistische Diagramme

Ästhetische Verfeinerung

Bild- und Inhaltsquelle: Googles PaperBanana-Forschungspapier

Abschluss

PaperBanana geht auf ziemlich neuartige Weise ein überraschend hartnäckiges Downside in modernen Forschungsabläufen an. Die Idee, Recherche, Planung, Gestaltung, Generierung und Kritik in einer strukturierten Pipeline zu kombinieren, scheint in der Tat sehr klug zu sein. Und die Tatsache, dass es Diagramme erstellt, bei denen Genauigkeit, Klarheit und akademische Lesbarkeit Vorrang vor bloßer visueller Attraktivität haben, beweist seinen Wert.

Noch wichtiger ist, dass es einen umfassenderen Wandel signalisiert. KI beschränkt sich nicht mehr nur darauf, beim Schreiben von Code oder beim Zusammenfassen von Arbeiten zu helfen. Es beginnt, die wissenschaftliche Kommunikation selbst zu unterstützen. Da Forschungsabläufe zunehmend automatisiert werden, könnten Instruments wie PaperBanana stundenlangen manuellen Aufwand einsparen und gleichzeitig die Artwork und Weise verbessern, wie Ideen präsentiert und verstanden werden.

Videoinhalte sind ein wesentliches Medium für die Kommunikation in der digitalen Welt. Ob für Bildungszwecke, Unterhaltung oder Advertising, Video hat eine einzigartige Fähigkeit, das Publikum zu engagieren. Allerdings können nicht alle Zuschauer zu jeder Zeit Audio hören, weshalb Untertitel entscheidend sind. Eine effektive Möglichkeit, Movies zugänglicher und durchsuchbarer zu gestalten, ist die Transkription. Zu Video in Textual content konvertierenautomatisierte Transkriptionswerkzeuge können viel Zeit und Mühe sparen und die Erstellung von Untertiteln nahtlos und effizient machen.

Video -Transkription verstehen

Video -Transkription ist der Prozess der Konvertierung der gesprochenen Sprache in einem Video in geschriebenen Textual content. Dies kann manuell oder durch automatisierte Werkzeuge erfolgen. Der Transkriptionsprozess kann zeitaufwändig sein, insbesondere für lange Movies, aber es ist wichtig, um genaue Untertitel zu erstellen. Durch die Transkription des Movies können Sie sicherstellen, dass Ihr Publikum die vollständige Nachricht erhält, unabhängig davon, ob sie das Audio hören können oder nicht.
Eine der effizientesten Möglichkeiten, Movies in Textual content umzuwandeln, ist die Verwendung automatisierter Transkriptionstools. Diese Instruments stützen sich auf die KI- und Spracherkennungstechnologie, um den Audio -Monitor des Movies zu analysieren und einen entsprechenden Textual content zu generieren. Während sich diese Instruments im Laufe der Jahre erheblich verbessert haben, benötigen sie möglicherweise noch eine kleine Feinabstimmung, um die höchste Genauigkeit zu gewährleisten.

Vorteile der automatischen Video -Transkription

Die automatische Video -Transkription bietet zahlreiche Vorteile. Hier sind einige wichtige Vorteile:

• Zeiteffizienz: Die manuelle Transkription kann extrem zeitaufwändig sein, insbesondere für längere Movies. Automatische Transkription kann viel schneller zu Textual content erzeugen, sodass Sie sich auf andere Aufgaben konzentrieren können.
• Genauigkeit: Eine hochwertige Transkriptionssoftware kann Textual content produzieren, die quick so genau sind wie menschliche Transkriptionisten, insbesondere mit klarem Audio.
• Kostengünstig: Die automatisierte Transkription ist oft viel billiger als die Einstellung eines professionellen Transkribers.
• Verbesserte Zugänglichkeit: Untertitel ermöglichen es einem breiteren Publikum, sich mit Ihren Videoinhalten zu beschäftigen, einschließlich Personen mit Hörstörungen oder solchen in soliden sensiblen Umgebungen.

So konvertieren Sie Movies mit automatisierten Instruments in Textual content in Textual content

Befolgen Sie die folgenden Schritte, um Movies mit automatisierten Transkriptionstools in Textual content in Textual content umzuwandeln:

1. Wählen Sie das richtige Werkzeug: Es stehen mehrere Transkriptionstools zur Verfügung, wie z. B. Any2Text, Rev und Trint. Erforschen Sie diese Optionen, um die zu finden, die Ihren Anforderungen in Bezug auf Funds, Funktionen und Benutzerfreundlichkeit entspricht.
2. Laden Sie das Video hoch: Wenn Sie ein Device ausgewählt haben, laden Sie Ihre Videodatei auf die Plattform hoch. Das Device beginnt automatisch mit der Verarbeitung des Audio, um die Transkription zu generieren.
3. Überprüfen Sie den Textual content: Nachdem das Device das Video beendet hat, überprüfen Sie den Textual content auf Fehler oder Ungenauigkeiten. Während KI -Instruments sehr fortgeschritten sind, kann es immer noch Fehler geben, insbesondere mit komplexen Wörtern, Akzenten oder Hintergrundgeräuschen.
4. Bearbeiten und formatieren Sie den Textual content: Korrigieren Sie alle Fehler und passen Sie den Textual content an, um sicherzustellen, dass er mit dem Videoinhalt ausgerichtet ist. Mit vielen Transkriptionstools können Sie den Textual content direkt auf der Plattform formatieren.
5. Exportieren Sie die Untertitel: Nachdem Sie die Transkription bearbeitet haben, können Sie sie als Untertiteldatei exportieren. Die häufigsten Untertitelformate sind SRT und VTT, die Ihrem Video -Participant oder der Bearbeitungssoftware problemlos hinzugefügt werden können.

Tipps für bessere Transkriptionen

Um die bestmöglichen Ergebnisse bei der Verwendung automatisierter Transkriptionstools zu gewährleisten, denken Sie an diese Tipps:

• Klares Audio: Die Qualität des Audios ist für eine genaue Transkription von entscheidender Bedeutung. Stellen Sie sicher, dass das Video klare, hochwertige Klang hat, um Fehler in der Transkription zu minimieren.
• Verwenden Sie eine einfache Sprache: Je komplexer die Sprache oder das Jargon ist, desto schwieriger kann es für die Verständnis von AI -Transkriptionstools sein. Verwenden Sie nach Möglichkeit eine einfache und klare Sprache in Ihrem Video.
• Hintergrundrauschen begrenzen: Hintergrundrauschen kann den Transkriptionsprozess beeinträchtigen. Versuchen Sie, irrelevante Sounds während der Aufnahme zu minimieren.
• Korrekturlesen: Überprüfen Sie immer die Transkription, bevor Sie sie verwenden, um Untertitel zu erstellen. Automatisierte Instruments können bestimmte Wörter oder Phrasen falsch interpretieren, sodass das Korrekturlesen für die Aufrechterhaltung der Genauigkeit unerlässlich ist.

Das Erstellen von Untertiteln automatisch mit Video-Transkriptionstools ist eine effiziente und kostengünstige Möglichkeit, um Ihre Videoinhalte zugänglicher und ansprechender zu gestalten. Wenn Sie die in diesem Artikel beschriebenen Schritte befolgen, können Sie Video problemlos in Textual content umwandeln und die Anzeigeerfahrung für Ihr Publikum verbessern. Mit den richtigen Instruments kann Ihr Inhalt für eine breitere Palette von Zuschauern zugänglich sein und Ihre Reichweite und Ihr Engagement verbessern.
Denken Sie daran, dass der Schlüssel zur erfolgreichen Video -Transkription in der Qualität Ihres Audios und des von Ihnen gewählten Instruments liegt. Mit ein wenig Liebe zum Element können Sie genaue und hilfreiche Untertitel erstellen, die Ihren Videoinhalten einen Mehrwert verleihen.

Im Jahr 2022 machte sich Randall Pietersen, ein Bauingenieur in der US -Luftwaffe, auf eine Trainingsmission, um Schäden auf einer Landebahn der Flugplatz zu bewerten, und übte nach einem simulierten Angriff das „Basiswiederherstellungsprotokoll“. Stunde lang ging sein Group mit chemischen Schutzausrüstung über die Gegend und funkte in Geocoordinaten, während sie Schäden dokumentierten und nach Bedrohungen wie nicht explodierten Munition suchten.

Die Arbeit ist Normal für alle Luftwaffeningenieure, bevor sie eingesetzt wurden, aber es struggle für Pietersen, der die letzten fünf Jahre schneller und sicherere Ansätze für die Beurteilung von Flugplätzen als Grasp -Scholar und jetzt als Doktorandin und Mathworks -Stipendiatin bei MIT, eine besondere Bedeutung hatte. Für Pietersen unterstrich die zeitintensive, mühsame und potenziell gefährliche Arbeit das Potenzial für seine Forschung, um abgelegene Flugplatzbewertungen zu ermöglichen.

„Diese Erfahrung struggle wirklich auf Augenhöhe“, sagt Pietersen. „Wir haben seit quick einem Jahrzehnt mitgeteilt, dass ein neues, von Drohnen basierendes System in Arbeit ist, aber es ist immer noch durch die Unfähigkeit begrenzt, nicht explodierte Verordnungen zu identifizieren. Aus der Luft sehen sie zu Felsen oder Trümmern aus. Selbst ultra-hohe Auflösungskameras funktionieren einfach nicht intestine genug. Eine schnelle und abgelegene Flugfeldbewertung ist noch nicht die Standardpraxis. Wir sind immer noch nur dazu bereit, dies zu Fuß zu tun, und dort kommt meine Forschung ins Spiel. “

Pietersens Ziel ist es, automatisierte Systeme auf Drohnenbasis zur Bewertung des Flugplatzschädens und zur Erkennung nicht explodierter Munition zu erstellen. Dies hat ihn auf eine Reihe von Forschungspfaden geführt, vom tiefen Lernen bis hin zu kleinen, ungeschriebenen Luftsystemen bis hin zur „hyperspektralen“ Bildgebung, die passive elektromagnetische Strahlung über ein breites Spektrum von Wellenlängen erfasst. Die hyperspektrale Bildgebung wird billiger, schneller und haltbarer, was die Forschung von Pietersen in einer Reihe von Anwendungen, einschließlich Landwirtschaft, Notfallreaktion, Bergbau und Gebäudemanating, zunehmend nützlich machen könnte.

Informatik und Gemeinschaft finden

Pietersen wuchs in einem Vorort von Sacramento, Kalifornien, auf und zog sich in der Schule in Mathematik und Physik. Aber er struggle auch ein Cross Nation -Athlet und ein Eagle Scout, und er wollte einen Weg, seine Interessen zusammenzustellen.

„Ich mochte die vielfältige Herausforderung, die die Air Drive Academy präsentierte“, sagt Pietersen. „Meine Familie hat keine Geschichte des Dieners, aber die Personalvermittler sprachen über die ganzheitliche Ausbildung, in der Akademiker ein Teil waren, aber auch die sportliche Health und Führung. Dieser umfassende Ansatz für die Faculty-Erfahrung hat mich angesprochen. “

Pietersen studierte Bauingenieurwesen als Studenten an der Air Drive Academy, wo er zum ersten Mal lernte, wie man akademische Forschung durchführt. Dies musste ein wenig Computerprogrammierung lernen.

„In meinem letzten Jahr hatten die Air Drive Analysis Labs einige Projekte im Zusammenhang mit Bürgersteigern, die als Bauingenieur in meinen Geltungsbereich fielen“, erinnert sich Pietersen. „Während mein Domänenwissen dazu beitrug, die anfänglichen Probleme zu definieren, struggle es sehr klar, dass die Entwicklung der richtigen Lösungen ein tieferes Verständnis der Pc Imaginative and prescient und der Fernerkundung erfordert.“

Die Projekte, die sich mit Flugzeugpflaster -Bewertungen und Bedrohungserkennung befassten, veranlassten Pietersen auch, hyperspektrale Bildgebung und maschinelles Lernen zu verwenden, auf denen er aufbaute, als er im Jahr 2020 zum MIT kam, um seinen Grasp und seine Doktorarbeit zu verfolgen.

„MIT struggle eine klare Wahl für meine Forschung, da die Schule eine so starke Geschichte von Forschungspartnerschaften und multidisziplinärem Denken hat, die Ihnen hilft, diese unkonventionellen Probleme zu lösen“, sagt Pietersen. „Es gibt keinen besseren Ort auf der Welt als das MIT für solche modernsten Arbeiten.“

Als Pietersen zum MIT kam, hatte er auch Extremsportarten wie Extremely-Marathons, Fallschirmspringen und Klettern angenommen. Einige davon stammten aus seiner Teilnahme an Infanterie -Kompetenzwettbewerben als Studenten. Die mehrtägigen Wettbewerbe sind militärorientierte Rennen, bei denen Groups aus der ganzen Welt Berge durchqueren und abgestufte Aktivitäten wie taktischer Kampfversicherung, Orientierungslauf und Marksmanship durchführen.

„Die Menge, mit der ich im Faculty gelaufen bin, struggle wirklich in dieses Zeug, additionally struggle es eine Artwork natürliche Folge des Beziehungsaufbaus“, sagt Pietersen. „Diese Veranstaltungen würden Sie 48 oder 72 Stunden lang herumlaufen, manchmal mit etwas Schlaf, und Sie können mit Ihren Kumpels konkurrieren und eine gute Zeit haben.“

Seit Pietersen mit seiner Frau und zwei Kindern zum MIT gekommen ist, hat er die lokale Laufgemeinschaft angenommen und sogar als Fallschirmspringer in Indoor in New Hampshire gearbeitet, obwohl er zugibt, dass die Winter der Ostküste für ihn und seine Familie hart waren, um sich anzupassen.

Pietersen wurde zwischen 2022 und 2024 abgelegen, aber er recherchierte nicht bequem von einem Heimbüro. Das Coaching, das ihm die Realität der Flugplatzbewertungen zeigte, fand in Florida statt, und dann wurde er nach Saudi -Arabien eingesetzt. Er schrieb zufällig eine seiner Doktoranden aus einem Zelt in der Wüste.

Jetzt am MIT und kurz vor der Fertigstellung seiner Promotion in diesem Frühjahr ist Pietersen dankbar für alle Menschen, die ihn während seiner gesamten Reise aufgenommen haben.

„Es hat Spaß gemacht, alle möglichen technischen Disziplinen zu erkunden und mithilfe aller Mentoren am MIT und den Ressourcen, die für diese wirklich Nischenprobleme zur Verfügung stehen, herauszufinden“, sagt Pietersen.

Forschung mit einem Zweck

Im Sommer 2020 absolvierte Pietersen ein Praktikum beim Halo Belief, einer humanitären Organisation, die daran arbeitete, Landminen und andere Sprengstoffe aus den vom Krieg betroffenen Gebieten zu beseitigen. Die Erfahrung zeigte eine weitere leistungsstarke Anwendung für seine Arbeit am MIT.

„Wir haben Regionen nach dem Konflikt auf der ganzen Welt, in denen Kinder versuchen zu spielen, und es gibt Landminen und nicht explodierte Verordnungen in ihren Hinterhöfen“, sagt Pietersen. „Die Ukraine ist ein gutes Beispiel dafür in den Nachrichten heute. Es sind immer Überreste des Krieges zurück. Derzeit müssen die Menschen in diese potenziell gefährlichen Bereiche eingehen und sie klären, aber neue Fernerkundungstechniken könnten die Verarbeitung beschleunigen und weitaus sicherer machen. “

Obwohl sich die Arbeit von Pietersens Grasp hauptsächlich darum drehte, den normalen Verschleiß von Fahrbahnstrukturen zu bewerten, hat sich seine Doktorarbeit auf Möglichkeiten zur Erkennung nicht explodierter Verordnungen und schwererer Schäden konzentriert.

„Wenn die Landebahn angegriffen wird, geben überall Bomben und Krater“, sagt Pietersen. „Dies sorgt für ein herausforderndes Umfeld zu beurteilen. Verschiedene Arten von Sensoren extrahieren verschiedene Arten von Informationen und jeweils haben seine Vor- und Nachteile. Es gibt noch viel Arbeit, um sowohl auf der {Hardware} als auch auf der Softwareseite der Dinge zu tun, aber bisher scheinen hyperspektrale Daten ein vielversprechender Diskriminator für Deep -Lernobjekt -Detektoren zu sein. “

Nach dem Abschluss wird Pietersen in Guam stationiert sein, wo die Air Drive -Ingenieure regelmäßig dieselben Flugfeldbewertungssimulationen durchführen, an denen er in Florida teilgenommen hat. Er hofft, dass eines Tages bald diese Einschätzungen von Menschen in Schutzausrüstung, sondern von Drohnen durchgeführt werden.

„Im Second verlassen wir uns auf sichtbare Web site -Linien“, sagt Pietersen. „Wenn wir uns zu spektralen Bildgebungs- und Tief-Studying-Lösungen bewegen können, können wir schließlich Fernbewertungen durchführen, die alle sicherer machen.“