ksn/offline-audio-transcriber
1
0
Fork 0
mirror of https://github.com/empenoso/offline-audio-transcriber.git synced 2026-04-19 08:30:30 +05:00
Code Issues Packages Projects Releases Wiki Activity

Update README.md

Browse Source
This commit is contained in:
Mikhail Shardin
2025-09-15 16:47:13 +05:00
committed by GitHub
parent 4d2daf510e
commit 2a25305aa8
1 changed files with 97 additions and 37 deletions
Download Patch File Download Diff File Expand all files Collapse all files

134
README.md
View File

@@ -1,62 +1,71 @@
# Локальная система распознавания речи на базе OpenAI Whisper # Локальная система распознавания и диаризации речи (Whisper & WhisperX)
Этот репозиторий содержит набор скриптов для создания полностью автономной системы расшифровки аудиозаписей (лекций, докладов, совещаний) на вашем компьютере. Решение использует мощную open-source модель **OpenAI Whisper**, что гарантирует высокую точность и полную приватность ваших данных. Этот репозиторий содержит набор скриптов для создания полностью автономной системы расшифровки аудиозаписей на вашем компьютере. Решение позволяет не только превращать речь в текст, но и автоматически разделять его по говорящим (диаризация), что идеально подходит для анализа лекций, интервью и совещаний.
## 🚀 Что делает проект? В основе лежат мощные open-source модели **OpenAI Whisper** и **WhisperX**, что гарантирует высокую точность и полную приватность ваших данных.
Проект позволяет вам превратить аудиофайлы в текст локально, без отправки данных в облако и без необходимости платных подписок. Это достигается за счет использования модели OpenAI Whisper и скриптов, которые автоматизируют процесс установки, настройки и массовой обработки файлов. ## ✨ Ключевые возможности
## ✨ Почему это полезно?
* **Два режима работы:**
1. **Простая транскрибация (Whisper):** быстрое получение сплошного текста из аудио. Идеально для монологов, лекций.
2. **Транскрибация с диаризацией (WhisperX):** получение структурированного диалога с разметкой по спикерам (`SPEAKER_01`, `SPEAKER_02`). Отлично подходит для совещаний, интервью.
* **Приватность:** все ваши аудиозаписи и текстовые расшифровки остаются на вашем компьютере. Никакие данные не передаются третьим лицам. * **Приватность:** все ваши аудиозаписи и текстовые расшифровки остаются на вашем компьютере. Никакие данные не передаются третьим лицам.
* **Бесплатно:** проект построен на бесплатных open-source инструментах. Вы не платите за подписку или поминутное распознавание. * **Бесплатно и Open Source:** проект построен на бесплатных инструментах. Вы не платите за подписку или поминутное распознавание.
* **Высокая точность:** используется модель `large-v3` от OpenAI, которая является одной из самых точных моделей для распознавания речи, включая русский язык. * **Высокая точность:** используется модель `large-v3` от OpenAI, которая является одной из самых точных для распознавания речи, включая русский язык.
* **Полный контроль:** вы контролируете весь процесс — от выбора модели до формата выходных данных. * **Ускорение на GPU:** решение оптимизировано для работы с видеокартами NVIDIA, что многократно ускоряет обработку.
* **Массовая обработка:** скрипт `whisper_transcribe.py` позволяет автоматически обработать все аудиофайлы в указанной папке. * **Простая установка:** для каждого режима предусмотрены bash-скрипты, которые автоматизируют настройку окружения.
## 🛠️ Как начать? ## 🤔 Какой метод выбрать?
Для развертывания системы на вашем компьютере (протестировано на Ubuntu) выполните следующие шаги. | Критерий | Метод 1: Простая транскрибация (Whisper) | Метод 2: Диа-ри-за-ци-я (WhisperX + Docker) |
| :--- | :--- | :--- |
| **Задача** | Получить сплошной текст из аудио (лекция, доклад) | Разделить речь на реплики разных спикеров (совещание) |
| **Результат** | `...текст одного спикера текст другого...` | `[время] SPEAKER_01: текст...`<br>`[время] SPEAKER_02: текст...` |
| **Технологии** | Python, PyTorch, Whisper | Docker, NVIDIA Container Toolkit, WhisperX |
| **Сложность** | Простая настройка в виртуальном окружении Python | Требует Docker и токен Hugging Face. Установка автоматизирована. |
| **Когда использовать** | Для быстрой расшифровки монологов, лекций, личных заметок. | Для анализа диалогов, интервью, совещаний, создания протоколов. |
---
## 🚀 Метод 1: простая транскрибация (Whisper)
Этот метод идеально подходит для быстрой расшифровки аудиозаписей без необходимости разделять речь по спикерам.
### Шаг 1: Подготовка окружения ### Шаг 1: Подготовка окружения
Для автоматической установки всех необходимых компонентов (Python, FFmpeg, NVIDIA Drivers, CUDA, PyTorch) был написан специальный bash-скрипт. Для автоматической установки всех необходимых компонентов (Python, FFmpeg, NVIDIA Drivers, CUDA, PyTorch) используется специальный bash-скрипт.
1. **Клонируйте репозиторий:** 1. **Клонируйте репозиторий:**
```bash ```bash
git clone https://github.com/empenoso/offline-audio-transcriber git clone https://github.com/empenoso/offline-audio-transcriber
cd https://github.com/empenoso/offline-audio-transcriber cd offline-audio-transcriber
``` ```
2. **Сделайте скрипт установки исполняемым:** 2. **Сделайте скрипт установки исполняемым:**
```bash ```bash
chmod +x setup_whisper.sh chmod +x whisper_transcribe_setup.sh
``` ```
3. **Запустите скрипт:** 3. **Запустите скрипт:**
```bash ```bash
./setup_whisper.sh ./whisper_transcribe_setup.sh
``` ```
Скрипт обновит систему, установит драйверы NVIDIA (если необходимо), CUDA, создаст виртуальное окружение `.venv` и установит все Python-библиотеки, включая PyTorch и Whisper. Скрипт обновит систему, установит драйверы NVIDIA (если необходимо), CUDA, создаст виртуальное окружение `.venv` и установит все Python-библиотеки.
> **Примечание:** Если скрипт установит драйверы NVIDIA, может потребоваться перезагрузка компьютера. > **Примечание:** Если скрипт установит драйверы NVIDIA, может потребоваться перезагрузка компьютера.
### Шаг 2: Запись и размещение аудио ### Шаг 2: Запуск распознавания
* Запишите лекцию, доклад или совещание на диктофон или телефон. 1. **Поместите ваши аудиофайлы** (поддерживаются `.mp3`, `.wav`, `.m4a`) в любую папку, например, `audio/`.
* Для лучшего качества располагайте микрофон ближе к источнику звука и избегайте фонового шума.
* Скопируйте аудиофайлы (поддерживаются `.mp3`, `.wav`, `.m4a` и другие) в отдельную папку, например, `audio`.
### Шаг 3: Запуск распознавания 2. **Активируйте виртуальное окружение:**
1. **Активируйте виртуальное окружение:**
```bash ```bash
source .venv/bin/activate source .venv/bin/activate
``` ```
2. **Запустите скрипт `whisper_transcribe.py`:** 3. **Запустите скрипт `whisper_transcribe.py`:**
* **Простой запуск** (поиск аудио в текущей папке, использование `large` модели, результаты в папку `transcripts`): * **Простой запуск** (поиск аудио в текущей папке):
```bash ```bash
python3 whisper_transcribe.py python3 whisper_transcribe.py
``` ```
@@ -65,24 +74,78 @@
```bash ```bash
python3 whisper_transcribe.py ./audio large ./results python3 whisper_transcribe.py ./audio large ./results
``` ```
* `./audio` — папка с вашими аудиофайлами.
* `large` — используемая модель Whisper. Доступные модели: `tiny`, `base`, `small`, `medium`, `large`. Чем больше модель, тем выше точность, но и выше требования к ресурсам.
* `./results` — папка, куда будут сохранены результаты.
### Шаг 4: Анализ результатов ### Шаг 3: Анализ результатов
После выполнения скрипта в выходной папке вы найдете: После выполнения скрипта в выходной папке вы найдете:
* **`.txt` файл** для каждой аудиозаписи с полным текстом. * **`.txt` файл** для каждой аудиозаписи с полным текстом.
* **`.srt` файл** для каждой аудиозаписи с субтитрами и таймкодами. * **`.srt` файл** для каждой аудиозаписи с субтитрами и таймкодами.
* **`all_transcripts.txt`** — один файл, содержащий все расшифровки подряд. * **`all_transcripts.txt`** — один файл, содержащий все расшифровки подряд.
## 🔮 Будущие планы: диа-что? Диа-ри-за-ция! ---
Следующий большой шаг — **диаризация**, то есть автоматическое разделение текста по спикерам. Это позволит не просто получать сплошной текст совещания, а видеть, кто именно и что сказал. ## 🚀 Метод 2: транскрибация с диаризацией (WhisperX + Docker)
На данный момент интеграция с **WhisperX** (расширенная версия Whisper с поддержкой диаризации) отложена из-за технических сложностей с зависимостями. Планируется решить эту проблему с помощью Docker-контейнеров от NVIDIA. Следите за обновлениями! Этот метод использует Docker для решения проблем с зависимостями и позволяет не только транскрибировать аудио, но и определять, кто из спикеров говорил.
Файл `whisperx_diarization.py` в репозитории является заглушкой для будущей реализации. ### Пререквизиты
1. **Docker и NVIDIA GPU:** для работы требуется установленный Docker и видеокарта NVIDIA с актуальными драйверами.
2. **Токен Hugging Face:** для диаризации необходим токен доступа.
* Получите его в [настройках профиля Hugging Face](https://huggingface.co/settings/tokens).
* Примите условия использования моделей [pyannote/speaker-diarization-3.1](https://huggingface.co/pyannote/speaker-diarization-3.1) и [pyannote/segmentation-3.0](https://huggingface.co/pyannote/segmentation-3.0).
### Шаг 1: Установка и настройка
Специальный скрипт автоматизирует установку Docker, NVIDIA Container Toolkit и настройку рабочего пространства.
1. **Сделайте скрипт исполняемым:**
```bash
chmod +x whisperx_diarization_setup.sh
```
2. **Запустите установщик:**
```bash
./whisperx_diarization_setup.sh
```
Скрипт установит и настроит Docker, скачает необходимый образ WhisperX и создаст структуру папок (`audio`, `results`) и файл конфигурации `config.env`.
3. **Настройте `config.env`:**
Откройте файл `config.env` и вставьте ваш токен Hugging Face:
```ini
HF_TOKEN=your_token_here
```
4. **Перезагрузка:** После установки может потребоваться перезагрузка, чтобы применились права для группы `docker`.
```bash
sudo reboot
```
### Шаг 2: Запуск диаризации
1. **Поместите аудиофайлы** в папку `audio/`.
2. **Запустите скрипт-оркестратор:**
* Для проверки системы:
```bash
python3 whisperx_diarization.py --check
```
* Для обработки всех файлов в папке `audio/`:
```bash
python3 whisperx_diarization.py
```
### Шаг 3: Анализ результатов
Результаты для каждого аудиофайла будут сохранены в отдельной подпапке внутри `results/`. Вы получите структурированный протокол встречи.
**Было (обычный Whisper):**
> ...да, я согласен с этим подходом но нужно учесть риски которые мы не обсудили например финансовую сторону вопроса и как это повлияет на сроки я думаю нам стоит вернуться к этому на следующей неделе...
**Стало (WhisperX с диаризацией):**
> [00:01:15.520 --> 00:01:19.880] SPEAKER_01: Да, я согласен с этим подходом, но нужно учесть риски, которые мы не обсудили.
> [00:01:20.100 --> 00:01:22.740] SPEAKER_02: Например, финансовую сторону вопроса и как это повлияет на сроки?
> [00:01:23.020 --> 00:01:25.900] SPEAKER_01: Именно. Я думаю, нам стоит вернуться к этому на следующей неделе.
## ❓ Где получить помощь? ## ❓ Где получить помощь?
@@ -93,6 +156,3 @@
* **Автор:** Михаил Шардин * **Автор:** Михаил Шардин
* **Онлайн-визитка:** [shardin.name](https://shardin.name/?utm_source=github) * **Онлайн-визитка:** [shardin.name](https://shardin.name/?utm_source=github)
* **Telegram-канал:** ["Умный Дом Инвестора"](https://t.me/+asaEcPax8o41MjQy) * **Telegram-канал:** ["Умный Дом Инвестора"](https://t.me/+asaEcPax8o41MjQy)
---
Этот проект является демонстрацией того, как современные open-source инструменты позволяют решать сложные задачи без значительных финансовых затрат и с полным контролем над своими данными.