PG-Video-Transcriber

Локальное приложение для транскрибации видео и аудио файлов с поддержкой диаризации спикеров.

Возможности

• Транскрибация видео и аудио файлов (MP4, MKV, AVI, MOV, MP3, WAV, FLAC, OGG, M4A)
• Автоматическое определение языка (русский, английский и другие)
• Опциональная диаризация спикеров (определение кто говорит)
• Поддержка длинных записей (2+ часа, 2-6 GB файлы)
• Полностью локальная обработка — никакие данные не отправляются в интернет
• Автоматическое определение GPU и оптимальных настроек

Требования

• Windows 10/11
• Python 3.11+
• NVIDIA GPU с CUDA (рекомендуется, но не обязательно)
  • RTX 3090 / RTX 4090 — все модели, максимальная скорость
  • GTX 1080 / RTX 2080 — большинство моделей
  • Работает и на CPU, но медленнее

Установка

# Клонировать репозиторий
git clone https://github.com/kophysty/PG-Video-Transcriber.git
cd PG-Video-Transcriber

# Создать виртуальное окружение
python -m venv .venv
.venv\Scripts\activate

# Установить PyTorch с CUDA
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

# Установить остальные зависимости
pip install -r requirements.txt

Запуск

python main.py

Модели

При первом запуске нужно скачать модель Whisper. Рекомендуемые модели:

Модель	VRAM	Качество	Скорость
large-v3-turbo	~3 GB	Отличное	Очень быстро
large-v3	~5 GB	Лучшее	Быстро
medium	~2.5 GB	Хорошее	Быстро
small	~1 GB	Приемлемое	Очень быстро

Для диаризации спикеров дополнительно нужна модель pyannote (требует бесплатный HuggingFace токен).

Форматы вывода

• JSON — полные данные с метаданными, word-level timestamps, спикерами
• SRT — субтитры для видеоплееров
• VTT — субтитры для веб
• TXT — простой текст с таймстампами

Лицензия

MIT