Аудио

Распознать речь через Whisper

Переводит аудио в текст, SRT, VTT или JSON локально через openai-whisper.

Python Windows macOS Linux Продвинутый
Скачать whisper_transcribe.py
Описание

Что делает скрипт

Скрипт загружает выбранную модель Whisper и транскрибирует файл без отправки данных в облако. Поддерживаются языки и режим перевода на английский. Модель скачивается при первом запуске, поэтому нужны место на диске и время.

Перед запуском
  • Тяжёлая зависимость: openai-whisper и модель занимают сотни мегабайт.
  • Первый запуск скачивает модель и может занять несколько минут.
Запуск

Быстрый старт

python whisper_transcribe.py interview.mp3 --model small --language ru --format srt

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python whisper_transcribe.py lecture.wav --model base --language ru
  • python whisper_transcribe.py ./recordings --recursive --model small --format txt
Зависимости

Что понадобится

Python 3.10+ Только стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
FFmpeg 6+ Кодирование, фильтры и ffprobe
Windows winget install Gyan.FFmpeg
macOS brew install ffmpeg
Linux sudo apt install ffmpeg
openai-whisper Тяжёлая зависимость: модель скачивается при первом запуске
Windows py -m pip install openai-whisper
macOS python3 -m pip install openai-whisper
Linux python3 -m pip install openai-whisper
Исходник

whisper_transcribe.py

#!/usr/bin/env python3
"""Локальная транскрипция речи через openai-whisper."""
from __future__ import annotations

import argparse
import json
import shutil
import sys
from pathlib import Path

AUDIO_EXTENSIONS = {'.mp3', '.wav', '.flac', '.ogg', '.m4a', '.aac', '.opus', '.wma', '.mp4', '.mkv'}


def collect(paths: list[Path], recursive: bool) -> list[Path]:
    files: list[Path] = []
    for path in paths:
        if path.is_dir():
            iterator = path.rglob('*') if recursive else path.glob('*')
            files.extend(
                item for item in iterator
                if item.is_file() and item.suffix.lower() in AUDIO_EXTENSIONS
            )
        elif path.is_file() and path.suffix.lower() in AUDIO_EXTENSIONS:
            files.append(path)
        else:
            print(f'Пропуск: {path}', file=sys.stderr)
    return sorted(set(files), key=lambda item: str(item).lower())


def stamp(seconds: float, decimal: str = ',') -> str:
    milliseconds = int(round(seconds * 1000))
    hours, rest = divmod(milliseconds, 3_600_000)
    minutes, rest = divmod(rest, 60_000)
    whole, millis = divmod(rest, 1000)
    return f'{hours:02d}:{minutes:02d}:{whole:02d}{decimal}{millis:03d}'


def write_srt(segments: list[dict], target: Path) -> None:
    lines: list[str] = []
    for number, segment in enumerate(segments, start=1):
        lines.append(str(number))
        lines.append(f'{stamp(segment["start"])} --> {stamp(segment["end"])}')
        lines.append(segment['text'].strip())
        lines.append('')
    target.write_text('\n'.join(lines), encoding='utf-8')


def write_vtt(segments: list[dict], target: Path) -> None:
    lines = ['WEBVTT', '']
    for segment in segments:
        lines.append(f'{stamp(segment["start"], ".")} --> {stamp(segment["end"], ".")}')
        lines.append(segment['text'].strip())
        lines.append('')
    target.write_text('\n'.join(lines), encoding='utf-8')


def main() -> int:
    parser = argparse.ArgumentParser(description='Распознать речь через Whisper')
    parser.add_argument('inputs', nargs='+', type=Path, help='Аудио или видео файлы')
    parser.add_argument('-o', '--out', type=Path, default=Path('transcripts'), help='Папка для текста')
    parser.add_argument('--model', default='small', help='Модель: tiny, base, small, medium, large')
    parser.add_argument('--language', default='', help='Код языка, например ru. Пусто - автоопределение')
    parser.add_argument('--task', choices=['transcribe', 'translate'], default='transcribe', help='Задача')
    parser.add_argument('--format', choices=['txt', 'srt', 'vtt', 'json'], default='srt', help='Формат')
    parser.add_argument('--recursive', action='store_true', help='Обходить вложенные папки')
    args = parser.parse_args()

    if not shutil.which('ffmpeg'):
        print('ffmpeg не найден. Whisper использует его для чтения аудио.', file=sys.stderr)
        return 1
    try:
        import whisper
    except ImportError:
        print('Модуль whisper не установлен. Выполните: python -m pip install openai-whisper', file=sys.stderr)
        return 1

    files = collect([path.expanduser() for path in args.inputs], args.recursive)
    if not files:
        print('Файлы не найдены.', file=sys.stderr)
        return 1

    out_dir = args.out.expanduser().resolve()
    out_dir.mkdir(parents=True, exist_ok=True)
    print(f'Загрузка модели {args.model}. При первом запуске она скачивается.')
    model = whisper.load_model(args.model)

    done = 0
    for source in files:
        print(f'Обработка: {source.name}')
        result = model.transcribe(
            str(source),
            language=args.language or None,
            task=args.task,
            verbose=False,
        )
        segments = [
            {
                'start': float(segment.get('start', 0.0)),
                'end': float(segment.get('end', 0.0)),
                'text': str(segment.get('text', '')).strip(),
            }
            for segment in result.get('segments', [])
        ]
        if not segments:
            print(f'Речь не распознана: {source.name}', file=sys.stderr)
            continue

        destination = out_dir / f'{source.stem}.{args.format}'
        if args.format == 'txt':
            destination.write_text('\n'.join(item['text'] for item in segments) + '\n', encoding='utf-8')
        elif args.format == 'srt':
            write_srt(segments, destination)
        elif args.format == 'vtt':
            write_vtt(segments, destination)
        else:
            destination.write_text(json.dumps(segments, ensure_ascii=False, indent=2), encoding='utf-8')
        print(f'Готово: {destination}')
        done += 1

    print(f'Итог: обработано {done} из {len(files)}')
    return 0 if done else 2


if __name__ == '__main__':
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get audio-whisper-transcribe
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Аудио

Конвертация, нормализация, обрезка, теги и подготовка звука.