gamespodcast.beer - Meta-Datenbank/-Seite zu "Auf ein Bier" [Fanprojekt]

[dash]

Hallo, liebe Community.

Ich präsentiere euch pünktlich zu Weihnachten, als Geschenk an Euch und den Podcaster*innen von The Pod: gamespodcast.beer - die Meta-Seite zu "Auf ein Bier".

Was meine ich mit Meta-Seite? Nun alle Informationen über alle Folgen, Getränke, Themen, Spiele und Wertschätzungen! Stellenweise auch mit Transkripts der Folgen und kurze Zusammenfassung derer (via AI).

Des Weiteren gibt es Statistiken wie:
- aus welchen Ländern wurden Biere getrunken
- welcher Podcaster oder Podcasterin hat kein Bier getrunken; und wie oft?
- Wer hat wie oft das Getränk verschüttet?

Das Projekt ist noch nicht vollständig - von den 456 offenen Folgen sind aktuell nur 211 Folgen erfasst. Ich bin aber weiter dran.
Es sind auch weitere Statistiken geplant, wie "wie häufig bemüht Jochen ein Literatur-Vergleich" oder "Wie oft wird 'in media res' oder 'alles kann, nichts muss' erwähnt?

Weitere Baustellen: mobile ist noch nicht richtig rund. Die Suche mit den Filtern hat auch noch Optimierungspotential.

Ihr könnt gerne Feedback geben; entweder hier oder direkt über die Website und den Punkt "Feedback" oder "Feedback zur Folge senden".

In diesem Sinne: frohe Festtage Euch allen!

Fabian (dash)

gamespodcast.beer

PS: Andre und Jochen hatte ich im Vorhinein bereits eine Preview geschickt; und sie sind fein mit dem Projekt.

[Dr. Zoidberg [np]]

Jetzt schon meine Lieblingsstatistik: Verschüttete Getränke

[GoodLord]

Holy shit. Danke.

Hast du die Daten selbst manuel Zusammengetragen oder woher kommen die?

[Jochen Gebauer]

Wow! Das ist ja mega. Ich bin ein bisschen sprachlos. Vielen Dank und die fettesten Weihnachten aller Zeiten!

[Andre Peschke]

Jetzt schon meine Lieblingsstatistik: Verschüttete Getränke

Sehe ich auch so!

Auch hier nochmal: Ganz vielen Dank und supergute Weihnachten. Mega-Aktion!

Andre

[Leonard Zelig]

Also in puncto Energy Drinks ist die Statistik noch deutlich ausbaubar. Ladet doch mal Matthias Schmid (M!Games, 4Players) ein um Euch da ein wenig beraten zu lassen.

Auch von mir danke für die Arbeit und frohe Weihnachten.

[bluttrinker13]

Sehr geil!!

[suschi]

Sehr cool! Auch schön, dass „Duftkerze“ bei Dom als Getränk durchgeht

[dash]

Holy shit. Danke.

Hast du die Daten selbst manuel Zusammengetragen oder woher kommen die?

Tatsächlich mehrheitlich manuell, während des Hörens der Folgen. Hatte versucht das maschinell zu lösen - also Folgen via AI zu transkribieren, und dann den Text zu verarbeiten, aber aktuell ist das noch zu unzuverlässig.
Positiver Punkt dabei: ich darf mich nochmal durchs Œuvre des Podcasts arbeiten und sehe, bzw. höre, dabei den Fortschritt und die Professionalisierung den es in allen Bereichen gab.

[Karsten]

Sehr schönes Projekt!

[exx]

Mega nice. Sowas hab ich mir tatsächlich schon gewünscht

[nachtgiger]

Krass, Hut ab . Wie hast du die Transkripts generiert?

[Ironic Maiden]

Das ist schon sehr großartig! Es ist sehr angenehm, an einer Grafik ablesen zu können, dass ich noch niemals ein Getränk verschüttet habe.
Im Ernst, was für eine Wahnsinnsarbeit. Sehr cool!

[Tengri Lethos]

Das ist ja wirklich fantastisch, mega gute Idee! Wie macht man sowas?

[Lemmiwinks]

Wow, sehr cool!

[dash]

Krass, Hut ab . Wie hast du die Transkripts generiert?

Mit WhisperX. OpenAI hat ein Sprach-Model für das Transkribieren als Open Source veröffentlicht; das große Model davon kann auch deutsche Sprache recht gut verstehen. „Von Haus aus“ kann das aber nur Sprache/Worte erkennen. Keine Sprecher oder Sprecherinnen. Man bekommt also nur einen einzelnen langen Text. Damit man die Sätze/Worte auf die jeweiligen Sprecher*innen bekommt, nutze ich eben jenes WhisperX, das auch Open Source ist und noch „speaker diarization“ bietet - das Erkennen von Stimmen. Salopp formuliert scannt diese Logik nach dem Transkribieren das Audio-File auf ähnliche Höhen/Kurven etcpp und erkennt daran Sprecher und weist die jeweiligen Zeitabschnitten diesen zu. Das klappt recht gut, aber ist auch nicht perfekt. Das ganze lässt sich unter Windows oder Linux mit einer NVIDIA-Grafikkarte bewerkstelligen. 2 Stunden Podcast werden bei meiner 2070 so in 15 Minuten zu Text mit Sprechern. Nur das Transkript würde etwa die Hälfte der Zeit dauern.

Das ist ja wirklich fantastisch, mega gute Idee! Wie macht man sowas?

Wie meinst Du das? Vom „Tech-Stack“ her? Oder grundlegend?
Grundlegend braucht man nur strukturiere Daten. Ausgangspunkt für mich sind die Podcast-Feeds, die ich als Unterstützer habe. Die lese ich maschinell ein, ähnlich wie ein Podcatcher. Diese Daten geben schon paar Infos her, wie wann eine Fogle erschienen ist, unter welchem Titel, wie lang die Laufzeit ist etcpp. Das speichere ich in einer Datenbank. Danach reichere ich die Daten an, aktuell stark manuell, aber eben strukturiert:
Eine Folge kann „n“ Podcaster*innen haben (beliebig viele). Diese Teilnehmenden können „m“ Getränke am Anfang der Folge vorstellen. Jedes dieser Getränke ist vom Typ „x“ und vom Hersteller „y“. Jede Person ist Gast oder nicht. In einer Folge können „n“ Spiele besprochen werden, die wiederum einen Entwickler „x“ und Publisher „y“ haben. Ein Spiel hat noch mehr Attibute wie Erscheinung, Genre etcpp. Wenn in einer Folge ein Podcaster oder eine Podcasterin ein Spiel bespricht oder erwähnt, füge ich eine einfache Verknüpfung hinzu, die das abbildet. Eine Wertschätzung ist auch solch eine Verknüpfung, mit mehr Meta-Infos wie Bewertung etcpp. Jede dieser Dinge (Folge, Person, Spiel, Entwickler, Publisher, Getränk etcpp) sind Entitäten, also für sich allein stehende Datensätze. Diese Datensätze stehen dann in der einen oder anderen Form in Relation und ergeben damit im jeweiligen Kontext eine Information.
Diese können dann durchsuchbar gemacht werden - mit dedizierten Such-Engines. Dafür erstellt man, vereinfacht gesagt, ein Buch (Index) mit den aufbereiteten, strukturierten Informationen und die Such-Engine kümmert sich darum, dass alle Einträge zu einem Suchbegriff dann auch gefunden werden. Ich gebe also nur den Sufhbegriff weiter, und verarbeite die Ergebnisse, die ich von der Engine zurück bekomme. (Ähnlich wie Google, nur in einem deutlich kleineren Maßstab)

Das war jetzt alles sehr technisch, aber mehr oder weniger ist es das auch schon.

Die Daten müssen sauber und strukturiert vorliegen. Sobald dies der Fall ist, kann man damit eigentlich fast alles machen.

Gern gebe ich noch mehr Infos; aber das ist vermutlich für die wenigsten interessant bzw. schon arg technisch/nerdig.

[BroBono]

Dickes Danke allein für den Aufwand!

[HerrReineke]

Sehr cooles Projekt

Danach reichere ich die Daten an, aktuell stark manuell, aber eben strukturiert [...]

Selbst mit nach Sprecher:innen sortiertem Transkript stelle ich mir die Anreicherung noch sehr arbeits- und zeitaufwändig vor. Wie lange brauchst du in etwa für eine Folge?

Gern gebe ich noch mehr Infos; aber das ist vermutlich für die wenigsten interessant bzw. schon arg technisch/nerdig.

Also von mir aus immer gerne... Ich liebe ja sowas - erinnert mich im besten Sinne an die Vorträge von Daniel Kriesel und seiner Arbeit, z.B. bei dem Spielgel-Mining

[IDEA]

Cooles Ding. Haettest du Interesse das Repo öffentlich zu machen?

Wuerde mir gerne den Sourcecode dazu schauen.

Sehe es grad nur am smartphone, aber sieht nach nextjs aus. UiFramework kp. Die Skeletons sind aber ganz cool.

Charts sind chartjs.

Icons hast du ja sogar die Quelle gelistet.

[Filusi]

Wow, bin immer wieder erstaunt über die Ideen und das freiwillige Engagement, was hier so schlummert.

Sehr interessantes Projekt, welches einen die Laune hebt und zum Schmunzeln anregt. Vielen Dank dafür!