Omdan lyd og video til tekst på få minutter. Ideel til interviews, undervisning, møder og forskningsdata.
Transskriberingen køres sikkert i SDU's datacenter under en databehandleraftale mellem AU og SDU.
Når du kører et Transcriber-job, anbefaler vi at bruge maskintypen gpu-nvidia-b200-1-mig.1g.
I vores benchmark behandlede 1 MIG et interview på 57 min. og 48 sek. på 7 min. og 20 sek., mens et 8-core CPU-job tog omkring 1 time og 40 min. for den samme fil. Da behandlingstiden kan variere afhængigt af filtype, lydkvalitet og indstillinger, bruger vi et konservativt estimat på 10 minutters behandlingstid pr. 1 times lyd på 1 MIG.
Som et groft planlægningsestimat kan du bruge:
| Maskintype | Estimat |
|---|---|
| gpu-nvidia-b200-1-mig.1g | 0,03 GPU-timer pr. lydtime |
| cpu-amd-zen5-8-vcpu | 15–20 CPU compute-timer pr. lydtime |
Da GPU-timer skal ansøges som hele tal, kan du bruge tabellen nedenfor, når du søger om ressourcer:
| Samlede lyd-/interviewtimer | GPU-timer at ansøge om | Anbefalet maskintype |
|---|---|---|
| 1–33 timer | 1 GPU-time | gpu-nvidia-b200-1-mig.1g |
| 34–66 timer | 2 GPU-timer | gpu-nvidia-b200-1-mig.1g |
| 67–99 timer | 3 GPU-timer | gpu-nvidia-b200-1-mig.1g |
| 100–132 timer | 4 GPU-timer | gpu-nvidia-b200-1-mig.1g |
Til CPU-jobs skal du bruge mindst 8 cores og omkring 24 GB hukommelse, for eksempel cpu-amd-zen5-8-vcpu, for at mindske risikoen for, at Transcriber fryser eller løber tør for hukommelse under kørslen. I vores benchmark var RAM-forbruget omkring 8,5 GB gennem hele processen.
Til GPU-jobs anbefales 1 MIG. Det er normalt ikke nødvendigt at vælge 2 MIGs eller en fuld GPU til Transcriber-jobs, da gpu-nvidia-b200-1-mig.1g allerede giver hurtig transskriptionsydelse og har tilstrækkelig GPU-hukommelse.
Brug Batch-versionen, når det er muligt, for at undgå ressourcespild, da denne jobtype automatisk stopper, når transskriptionen er færdig. Hvis du bruger Default-versionen, skal du klikke på “Show settings” og aktivere “Transcribe and stop”, før du starter transskriptionen.
Når jobbet er færdigt, kan transskriptionsoutputtet hentes fra UCloud-job siden. Vælg det relevante projekt-workspace, derefter dit færdige job, og find outputsektionen nederst på siden under “Your job has completed”. Outputtet kan også findes i dine UCloud-filer.
