mirror of
https://github.com/empenoso/offline-audio-transcriber.git
synced 2026-04-19 08:30:30 +05:00
162 lines
11 KiB
Markdown
162 lines
11 KiB
Markdown
# Локальная система распознавания и диаризации речи (Whisper & WhisperX)
|
||
|
||
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.
|
||
|
||
В основе лежат мощные open-source модели **OpenAI Whisper** и **WhisperX**, что гарантирует высокую точность и полную приватность ваших данных.
|
||
|
||
## ✨ Ключевые возможности
|
||
|
||
* **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.
|
||
* **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 для распознавания речи, включая русский язык.
|
||
* **Ускорение на GPU:** решение оптимизировано для работы с видеокартами NVIDIA, что многократно ускоряет обработку.
|
||
* **Простая установка:** для каждого режима предусмотрены bash-скрипты, которые автоматизируют настройку окружения.
|
||
|
||
## 🤔 Какой метод выбрать?
|
||
|
||
| 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
|
||
|
||
Для автоматической установки всех необходимых компонентов (Python, FFmpeg, NVIDIA Drivers, CUDA, PyTorch) используется специальный bash-скрипт.
|
||
|
||
1. **Клонируйте репозиторий:**
|
||
```bash
|
||
git clone https://github.com/empenoso/offline-audio-transcriber
|
||
cd offline-audio-transcriber
|
||
```
|
||
|
||
2. **Сделайте скрипт установки исполняемым:**
|
||
```bash
|
||
chmod +x whisper_transcribe_setup.sh
|
||
```
|
||
|
||
3. **Запустите скрипт:**
|
||
```bash
|
||
./whisper_transcribe_setup.sh
|
||
```
|
||
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.
|
||
|
||
### Шаг 2: Запуск распознавания
|
||
|
||
1. **Поместите ваши аудиофайлы** (поддерживаются `.mp3`, `.wav`, `.m4a`) в любую папку, например, `audio/`.
|
||
|
||
2. **Активируйте виртуальное окружение:**
|
||
```bash
|
||
source .venv/bin/activate
|
||
```
|
||
|
||
3. **Запустите скрипт `whisper_transcribe.py`:**
|
||
|
||
* **Простой запуск** (поиск аудио в текущей папке):
|
||
```bash
|
||
python3 whisper_transcribe.py
|
||
```
|
||
|
||
* **Указание параметров вручную** (папка с аудио, модель, папка для результатов):
|
||
```bash
|
||
python3 whisper_transcribe.py ./audio large ./results
|
||
```
|
||
|
||
### Шаг 3: Анализ результатов
|
||
|
||
После выполнения скрипта в выходной папке вы найдете:
|
||
* **`.txt` файл** для каждой аудиозаписи с полным текстом.
|
||
* **`.srt` файл** для каждой аудиозаписи с субтитрами и таймкодами.
|
||
* **`all_transcripts.txt`** — один файл, содержащий все расшифровки подряд.
|
||
|
||
---
|
||
|
||
## 🚀 Метод 2: транскрибация с диаризацией (WhisperX + Docker)
|
||
|
||
Этот метод использует Docker для решения проблем с зависимостями и позволяет не только транскрибировать аудио, но и определять, кто из спикеров говорил.
|
||
|
||
### Подготовка
|
||
|
||
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?
|
||
|
||
Если у вас возникли проблемы с установкой, запуском или есть предложения по улучшению, пожалуйста, создайте `Issue` в этом репозитории.
|
||
|
||
## 👤 Автор и поддержка
|
||
|
||
* **Автор:** Михаил Шардин
|
||
* **Онлайн-визитка:** [shardin.name](https://shardin.name/?utm_source=github)
|
||
* **Telegram-канал:** ["Умный Дом Инвестора"](https://t.me/+asaEcPax8o41MjQy)
|