268 lines
10 KiB
Markdown
268 lines
10 KiB
Markdown
# WhisperX Meeting Transcription
|
||
|
||
Пайплайн для транскрибации аудиозаписей совещаний с диаризацией (кто говорил) и таймкодами.
|
||
|
||
## Стек
|
||
|
||
- **WhisperX** — ASR + alignment + диаризация (всё-в-одном)
|
||
- **python-docx** — генерация `.docx`
|
||
- **PyYAML** — конфигурация
|
||
|
||
## Установка
|
||
|
||
### 1. Python зависимости
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
### 2. ffmpeg (обязателен для видео)
|
||
|
||
Программа нуждается в ffmpeg для извлечения аудио из видео файлов.
|
||
|
||
**macOS:**
|
||
```bash
|
||
brew install ffmpeg
|
||
```
|
||
|
||
**Ubuntu/Debian:**
|
||
```bash
|
||
sudo apt-get update && sudo apt-get install ffmpeg
|
||
```
|
||
|
||
**Windows:**
|
||
Скачайте с [ffmpeg.org/download.html](https://ffmpeg.org/download.html) и добавьте в PATH.
|
||
|
||
### 3. HuggingFace токен
|
||
|
||
Нужен для диаризации (см. раздел ниже).
|
||
|
||
## HuggingFace Token (обязателен для диаризации)
|
||
|
||
### Зачем нужен токен?
|
||
|
||
WhisperX для определения спикеров (диаризация) использует модели `pyannote.audio`, которые хранятся на платформе HuggingFace. Эти модели:
|
||
- **НЕ являются публично доступными** без регистрации
|
||
- Требуют принятия пользовательского соглашения (license)
|
||
- Требуют аутентификации через токен при скачивании
|
||
|
||
Без токена диаризация **не будет работать** — вы получите ошибку авторизации.
|
||
|
||
### Как получить токен (пошагово)
|
||
|
||
**Шаг 1: Регистрация**
|
||
1. Перейдите на [huggingface.co](https://huggingface.co)
|
||
2. Нажмите "Sign Up" (регистрация через email или GitHub/Google)
|
||
3. Подтвердите email
|
||
|
||
**Шаг 2: Создание токена**
|
||
1. Войдите в аккаунт
|
||
2. Перейдите в [Settings → Access Tokens](https://huggingface.co/settings/tokens)
|
||
3. Нажмите "New token"
|
||
4. Введите название (например, `transcription`)
|
||
5. Выберите тип: **`Read`** (только чтение — достаточно)
|
||
6. Нажмите "Generate token"
|
||
7. **Скопируйте токен сразу** — он показывается только один раз!
|
||
|
||
**Шаг 3: Принятие соглашений**
|
||
|
||
Нужно принять соглашение для **каждой** из этих моделей (зайдите по ссылкам и нажмите "Access repository", затем согласитесь с условиями):
|
||
|
||
1. [pyannote/speaker-diarization-3.1](https://huggingface.co/pyannote/speaker-diarization-3.1)
|
||
2. [pyannote/segmentation-3.0](https://huggingface.co/pyannote/segmentation-3.0)
|
||
|
||
> **Важно:** Если не принять соглашения, даже с правильным токеном будет ошибка 403 (Forbidden)!
|
||
|
||
**Шаг 4: Установка токена**
|
||
|
||
Вариант A — через переменную окружения (рекомендуется):
|
||
```bash
|
||
export HF_TOKEN=hf_xxxxxxxxxxxxxxxxxxxxxxxx
|
||
```
|
||
|
||
Вариант B — в `config.yaml` (менее безопасно, токен попадёт в git):
|
||
```yaml
|
||
hf_token: "hf_xxxxxxxxxxxxxxxxxxxxxxxx"
|
||
```
|
||
|
||
Вариант C — в `.env` файл (если добавить `.env` в `.gitignore`):
|
||
```bash
|
||
# .env
|
||
HF_TOKEN=hf_xxxxxxxxxxxxxxxxxxxxxxxx
|
||
```
|
||
|
||
> **Безопасность:** Токен — это ваш пароль от HuggingFace. Никогда не коммитьте его в публичный репозиторий!
|
||
|
||
### Проверка токена
|
||
|
||
После установки можно проверить:
|
||
```bash
|
||
python -c "import os; print('Token установлен:', bool(os.environ.get('HF_TOKEN')))"
|
||
```
|
||
|
||
## Первый запуск
|
||
|
||
**Важно:** при первом запуске программа скачает модели искусственного интеллекта. Это **нормально** и происходит только один time.
|
||
|
||
### Что скачивается
|
||
|
||
| Компонент | Размер | Назначение |
|
||
|-----------|--------|------------|
|
||
| Whisper `large-v3` | ~3.0 GB | Распознавание речи |
|
||
| Pyannote диаризация | ~0.4 GB | Разделение спикеров |
|
||
| Wav2Vec2 (русский) | ~1.0 GB | Точные таймкоды слов |
|
||
| **Итого** | **~4–5 GB** | **Скачиваются один раз** |
|
||
|
||
Время скачивания зависит от скорости интернета (обычно 10–30 минут).
|
||
Все последующие запуски используют локальные файлы и работают **без интернета**.
|
||
|
||
### Где хранятся модели
|
||
|
||
Модели сохраняются в системный кэш:
|
||
- **Linux/Mac:** `~/.cache/`
|
||
- **Windows:** `%USERPROFILE%\.cache\`
|
||
|
||
## Работа офлайн — всё локально!
|
||
|
||
**Да, все модели работают полностью локально.**
|
||
|
||
Токен HuggingFace нужен **только один раз** — чтобы скачать модели при первом запуске. После этого:
|
||
|
||
- ✅ **Интернет не нужен** — можно отключить Wi-Fi
|
||
- ✅ **Аудио не уходит никуда** — обработка только на вашем устройстве
|
||
- ✅ **Текст не уходит в облако** — результат только у вас
|
||
- ✅ **Подходит для конфиденциальных совещаний**
|
||
|
||
### Что скачивается при первом запуске
|
||
|
||
| Компонент | Размер | Зачем |
|
||
|-----------|--------|-------|
|
||
| Whisper `large-v3` | ~3 GB | Распознавание речи |
|
||
| Pyannote диаризация | ~400 MB | Разделение спикеров |
|
||
| Wav2Vec2 (русский) | ~1 GB | Точные таймкоды слов |
|
||
| **Итого** | **~4–5 GB** | **Скачиваются один раз** |
|
||
|
||
Модели сохраняются в системный кэш (`~/.cache/` на Linux/Mac, `%USERPROFILE%\.cache\` на Windows) и переиспользуются при каждом запуске.
|
||
|
||
## Использование
|
||
|
||
```bash
|
||
python run.py -i meeting.wav -o meeting.docx
|
||
```
|
||
|
||
### Аргументы
|
||
|
||
| Аргумент | Описание |
|
||
|----------|----------|
|
||
| `-i, --input` | Путь к аудиофайлу (обязательный) |
|
||
| `-o, --output` | Путь к выходному файлу (если один формат) |
|
||
| `-p, --profile` | Профиль: `mac_m4`, `gpu_8gb`, `cpu_best` |
|
||
| `-c, --config` | Путь к `config.yaml` |
|
||
| `-d, --device` | Принудительно: `cpu`, `cuda`, `mps` |
|
||
| `-m, --model` | Модель: `tiny`, `base`, `small`, `medium`, `large-v3` |
|
||
| `-l, --language` | Язык: `ru`, `en`, ... |
|
||
| `-f, --format` | Форматы через запятую: `docx,md,txt` |
|
||
|
||
### Примеры
|
||
|
||
**Аудио файлы:**
|
||
```bash
|
||
# Базовый запуск (по умолчанию: docx + md)
|
||
python run.py -i meeting.wav
|
||
|
||
# Быстрый тест на маленькой модели
|
||
python run.py -i meeting.wav -m base
|
||
|
||
# Только один формат
|
||
python run.py -i meeting.wav -f docx
|
||
|
||
# Markdown выход
|
||
python run.py -i meeting.wav -f md -o meeting.md
|
||
```
|
||
|
||
**Видео файлы (автоматически извлекается аудио):**
|
||
```bash
|
||
# Из видео совещания
|
||
python run.py -i recording.mp4
|
||
|
||
# Из Zoom записи
|
||
python run.py -i zoom_meeting.mp4 -o protocol.docx
|
||
|
||
# Из Teams записи (MKV формат)
|
||
python run.py -i teams_recording.mkv
|
||
```
|
||
|
||
**Вывод в несколько форматов одновременно:**
|
||
```bash
|
||
# docx + md (по умолчанию из конфига)
|
||
python run.py -i meeting.wav
|
||
|
||
# docx + md + txt — все сразу
|
||
python run.py -i meeting.wav -f docx,md,txt
|
||
|
||
# Только docx и md
|
||
python run.py -i meeting.wav -f docx,md
|
||
|
||
# Явно указать выход только для одного формата, остальные рядом
|
||
python run.py -i meeting.wav -f docx,md -o output/meeting.docx
|
||
# Создаст: output/meeting.docx и output/meeting.md
|
||
```
|
||
|
||
**Продвинутые опции:**
|
||
```bash
|
||
# Сменить профиль
|
||
python run.py -i meeting.wav -p gpu_8gb
|
||
|
||
# Только CPU
|
||
python run.py -i meeting.wav -d cpu -m small
|
||
|
||
# Отключить диаризацию (быстрее, но без разделения спикеров)
|
||
# (нужно изменить diarize: false в config.yaml)
|
||
```
|
||
|
||
## Профили оборудования
|
||
|
||
Профили настроены в `config.yaml`:
|
||
|
||
- **`mac_m4`** (по умолчанию): CPU + int8, `large-v3`. Оптимально для MacBook Air M4 16GB.
|
||
- **`gpu_8gb`**: CUDA + float16/int8, `large-v3`, `batch_size=1`. Для видеокарты с 8GB VRAM.
|
||
- **`cpu_best`**: CPU + int8, `large-v3`. Универсальный CPU.
|
||
|
||
## Выходной формат
|
||
|
||
### DOCX
|
||
- Заголовок "Протокол совещания"
|
||
- Каждый спикер — отдельный абзац
|
||
- Таймкоды в формате `[HH:MM:SS.mmm]`
|
||
- Новый абзац при смене спикера или паузе > 2 сек
|
||
|
||
### Markdown / TXT
|
||
- Аналогичная структура
|
||
- Таймкоды опционально (включаются в `config.yaml`)
|
||
|
||
## Настройка
|
||
|
||
Измените `config.yaml`:
|
||
|
||
```yaml
|
||
active_profile: mac_m4 # или gpu_8gb
|
||
|
||
profiles:
|
||
mac_m4:
|
||
device: cpu
|
||
compute_type: int8
|
||
model: large-v3
|
||
language: ru
|
||
|
||
output:
|
||
formats: [docx, md] # Можно указать один или несколько
|
||
include_timestamps: true
|
||
paragraph_pause_sec: 2.0
|
||
```
|
||
|
||
## Ограничения
|
||
|
||
- Перекрывающаяся речь (overlap) распознаётся плохо
|
||
- Качество зависит от записи: тихий/шумный звук требует более мощных моделей
|
||
- На CPU `large-v3` работает медленно (1 час записи ≈ 30-60 мин обработки)
|