whisper.py

"""
Data Scientist.: Dr.Eddy Giusepe Chirinos Isidro

Usando a API de Whisper
=======================
Este primeiro exemplo mostra como usar Whisper para realizar uma transcrição de um 
áudio gravado em INGLÊS. A trasncrição foi para o PORTUGUÊS 🤗.

NOTA: Você pode primeiro gravar um áudio com o script main.py e depois usar esse áudio 
      neste script para fazer a transcrição. 

Link de estudo:

* https://platform.openai.com/docs/guides/speech-to-text
"""
from docx import Document

import logging
logging.basicConfig(level=logging.INFO)


# Substitua sua chave de API OpenAI:
import openai
import os
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file
openai.api_key  = os.environ['OPENAI_API_KEY']


# Primeira forma:
#audio_file= open("output.wav", "rb")
#transcript = openai.Audio.transcribe("whisper-1", audio_file, language="pt")
#print(transcript["text"])

# Segunda forma:
def transcribe_audio(audio_file_path: str):
    with open(audio_file_path, "rb") as audio_file:
        transcription = openai.Audio.transcribe("whisper-1", audio_file, language="pt")
    return transcription['text']


"""🔊 Funções que usaremos mais para frente 🔊"""
# Extração de resumo: https://platform.openai.com/docs/tutorials/meeting-minutes/summary-extraction
def abstract_summary_extraction(transcription):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        temperature=0,
        messages=[
            {
                "role": "system",
                "content": "Você é uma IA altamente qualificada, treinada em compreensão e resumo de idiomas. \
                            Gostaria que você lesse o texto a seguir e o resumisse em um parágrafo abstrato conciso. \
                            Procure reter os pontos mais importantes, fornecendo um resumo coerente e legível que \
                            possa ajudar a pessoa a compreender os principais pontos da discussão sem a necessidade \
                            de ler o texto inteiro. Evite detalhes desnecessários ou pontos tangenciais."
            },
            {
                "role": "user",
                "content": transcription
            }
        ]
    )
    return response['choices'][0]['message']['content']


# Extração de pontos-chave: https://platform.openai.com/docs/tutorials/meeting-minutes/key-points-extraction
def key_points_extraction(transcription):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        temperature=0,
        messages=[
            {
                "role": "system",
                "content": "Você é uma IA proficiente com especialidade em destilar informações em pontos-chave. \
                            Com base no texto a seguir, identifique e liste os principais pontos que foram discutidos \
                            ou levantados. Estas devem ser as ideias, descobertas ou tópicos mais importantes que \
                            são cruciais para a essência da discussão. Seu objetivo é fornecer uma lista que alguém \
                            possa ler para entender rapidamente o que foi falado."
            },
            {
                "role": "user",
                "content": transcription
            }
        ]
    )
    return response['choices'][0]['message']['content']


# Extração de itens de ação: https://platform.openai.com/docs/tutorials/meeting-minutes/action-item-extraction
def action_item_extraction(transcription):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        temperature=0,
        messages=[
            {
                "role": "system",
                "content": "Você é um especialista em IA na análise de conversas e na extração de itens de ação. \
                            Por favor, revise o texto e identifique quaisquer tarefas, atribuições ou ações que \
                            foram acordadas ou mencionadas como necessárias. Podem ser tarefas atribuídas a \
                            indivíduos específicos ou ações gerais que o grupo decidiu realizar. Liste esses itens \
                            de ação de forma clara e concisa."
            },
            {
                "role": "user",
                "content": transcription
            }
        ]
    )
    return response['choices'][0]['message']['content']

# Análise de sentimentos: https://platform.openai.com/docs/tutorials/meeting-minutes/sentiment-analysis
def sentiment_analysis(transcription):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        temperature=0,
        messages=[
            {
                "role": "system",
                "content": "Como uma IA com experiência em análise de linguagem e emoções, sua tarefa é analisar \
                            o sentimento do texto a seguir. Por favor, considere o tom geral da discussão, a emoção \
                            transmitida pela linguagem utilizada e o contexto em que as palavras e frases são usadas. \
                            Indique se o sentimento é geralmente positivo, negativo ou neutro e forneça breves explicações \
                            para a sua análise sempre que possível."
            },
            {
                "role": "user",
                "content": transcription
            }
        ]
    )
    return response['choices'][0]['message']['content']

# Exportando atas de reunião: https://platform.openai.com/docs/tutorials/meeting-minutes/exporting-meeting-minutes
def save_as_docx(minutes, filename):
    doc = Document()
    for key, value in minutes.items():
        # Substitua os sublinhados por espaços e coloque cada palavra do título em maiúscula:
        heading = ' '.join(word.capitalize() for word in key.split('_'))
        doc.add_heading(heading, level=1)
        doc.add_paragraph(value)
        # Add a line break between sections
        doc.add_paragraph()
    doc.save(filename)


# Summarizing and analyzing the transcript with GPT-4
def meeting_minutes(transcription):
    logging.info(f"*** Realizando o Resumo Abstrato ✍🏻 ... ***")
    abstract_summary = abstract_summary_extraction(transcription)
    logging.info(f"*** Realizando a extração de Pontos Chaves 🔑 ... ***")
    key_points = key_points_extraction(transcription)
    logging.info(f"*** Realizando a extração de Itens de Ação ✅ ... ***")
    action_items = action_item_extraction(transcription)
    logging.info(f"*** Realizando a Análise de Sentimento 🫀 ... ***")
    sentiment = sentiment_analysis(transcription)
    
    return {
            'Resumo Abstrato': abstract_summary,
            'Pontos Chave': key_points,
            'Itens de Ação': action_items,
            'Sentimento': sentiment
           }


if __name__ == "__main__":

    logging.info(f"*** Transcrevendo o áudio: Inglês para Português ... ***")
    translate_en_pt = transcribe_audio("/home/eddygiusepe/1_Eddy_Giusepe/6_REPO_HuggingFace/9_Using_Whisper_API_Speech-to-Text_with_OpenAI/output.wav")
    print("🔊🔊🔊 -->", translate_en_pt)

    print("")
    audio_file_path = "/home/eddygiusepe/1_Eddy_Giusepe/6_REPO_HuggingFace/9_Using_Whisper_API_Speech-to-Text_with_OpenAI/output.wav"
    transcription = transcribe_audio(audio_file_path)
    minutes = meeting_minutes(transcription)
    logging.info(f"*** Printando nosso resultado 🤗 ... ***")
    print(minutes)

    save_as_docx(minutes, 'Doc_description.docx')