Compare commits
1
Commits
| Author | SHA1 | Date | |
|---|---|---|---|
 Dmitriy Dementiev
|
352296b84a |
@@ -0,0 +1,326 @@
|
||||
<!doctype html>
|
||||
<html lang="ru">
|
||||
<head>
|
||||
<meta charset="utf-8">
|
||||
<meta name="viewport" content="width=device-width, initial-scale=1">
|
||||
<title>PROTOTYPE — формат транскрипта со спикерами</title>
|
||||
<style>
|
||||
:root {
|
||||
color-scheme: light;
|
||||
--paper: #fbfaf7;
|
||||
--ink: #25221f;
|
||||
--muted: #746e67;
|
||||
--line: #ddd7ce;
|
||||
--accent: #9b3f2f;
|
||||
--code: #f0ece5;
|
||||
}
|
||||
* { box-sizing: border-box; }
|
||||
body {
|
||||
margin: 0;
|
||||
background: #e9e4dc;
|
||||
color: var(--ink);
|
||||
font: 16px/1.58 system-ui, -apple-system, "Segoe UI", sans-serif;
|
||||
}
|
||||
main {
|
||||
width: min(1180px, calc(100% - 32px));
|
||||
margin: 28px auto 100px;
|
||||
}
|
||||
.prototype-note {
|
||||
margin-bottom: 18px;
|
||||
padding: 12px 16px;
|
||||
border: 1px dashed #a59d92;
|
||||
background: #fffdf8;
|
||||
color: #5f5850;
|
||||
}
|
||||
.prototype-note strong { color: var(--accent); }
|
||||
.layout {
|
||||
display: grid;
|
||||
grid-template-columns: minmax(0, 1fr) minmax(340px, .72fr);
|
||||
gap: 18px;
|
||||
align-items: start;
|
||||
}
|
||||
.paper, .source-panel {
|
||||
border: 1px solid var(--line);
|
||||
border-radius: 10px;
|
||||
background: var(--paper);
|
||||
box-shadow: 0 8px 28px rgb(49 40 31 / 9%);
|
||||
}
|
||||
.paper { padding: clamp(22px, 4vw, 54px); }
|
||||
.source-panel { position: sticky; top: 18px; overflow: hidden; }
|
||||
.source-panel h2 {
|
||||
margin: 0;
|
||||
padding: 13px 16px;
|
||||
border-bottom: 1px solid var(--line);
|
||||
color: var(--muted);
|
||||
font-size: 14px;
|
||||
letter-spacing: .06em;
|
||||
text-transform: uppercase;
|
||||
}
|
||||
pre {
|
||||
max-height: calc(100vh - 120px);
|
||||
margin: 0;
|
||||
padding: 18px;
|
||||
overflow: auto;
|
||||
background: var(--code);
|
||||
white-space: pre-wrap;
|
||||
word-break: break-word;
|
||||
font: 13px/1.55 ui-monospace, "Cascadia Code", Consolas, monospace;
|
||||
}
|
||||
h1 { margin: 0 0 22px; font: 700 clamp(26px, 3vw, 38px)/1.15 Georgia, serif; }
|
||||
h2 { margin: 28px 0 12px; font-size: 20px; }
|
||||
h3 { margin: 25px 0 7px; font-size: 17px; }
|
||||
ul { padding-left: 21px; }
|
||||
hr { margin: 28px 0; border: 0; border-top: 1px solid var(--line); }
|
||||
.turn { margin: 18px 0; }
|
||||
.time { color: var(--muted); font: 13px ui-monospace, "Cascadia Code", monospace; }
|
||||
.speaker { color: #783427; }
|
||||
blockquote {
|
||||
margin: 8px 0 22px;
|
||||
padding: 10px 16px;
|
||||
border-left: 4px solid #b88772;
|
||||
background: #f5f0e9;
|
||||
}
|
||||
blockquote p { margin: 0; }
|
||||
table { width: 100%; border-collapse: collapse; font-size: 14px; }
|
||||
th, td { padding: 9px 8px; border: 1px solid var(--line); vertical-align: top; text-align: left; }
|
||||
th { background: #eee8de; }
|
||||
.warning {
|
||||
margin: 17px 0;
|
||||
padding: 10px 13px;
|
||||
border-left: 4px solid #c47b23;
|
||||
background: #fff2dc;
|
||||
}
|
||||
.overlap { background: #f7e9e4; }
|
||||
.switcher {
|
||||
position: fixed;
|
||||
left: 50%;
|
||||
bottom: 22px;
|
||||
z-index: 10;
|
||||
display: flex;
|
||||
align-items: center;
|
||||
gap: 6px;
|
||||
transform: translateX(-50%);
|
||||
padding: 7px;
|
||||
border: 1px solid rgb(255 255 255 / 30%);
|
||||
border-radius: 999px;
|
||||
background: #201d1a;
|
||||
box-shadow: 0 8px 32px rgb(0 0 0 / 25%);
|
||||
color: white;
|
||||
}
|
||||
.switcher button {
|
||||
width: 38px;
|
||||
height: 34px;
|
||||
border: 0;
|
||||
border-radius: 999px;
|
||||
background: #39332e;
|
||||
color: white;
|
||||
cursor: pointer;
|
||||
font-size: 20px;
|
||||
}
|
||||
.switcher button:hover { background: #554b43; }
|
||||
#variant-label { min-width: 230px; text-align: center; font-size: 14px; }
|
||||
@media (max-width: 820px) {
|
||||
.layout { grid-template-columns: 1fr; }
|
||||
.source-panel { position: static; }
|
||||
pre { max-height: none; }
|
||||
#variant-label { min-width: 190px; }
|
||||
}
|
||||
</style>
|
||||
</head>
|
||||
<body>
|
||||
<!-- Три варианта markdown-транскрипта, переключаемые через ?variant=, в отдельном throwaway-прототипе. -->
|
||||
<main>
|
||||
<div class="prototype-note">
|
||||
<strong>PROTOTYPE — не часть продукта.</strong>
|
||||
Реальный фрагмент рабочей встречи слегка сокращён и обезличен; интервалы
|
||||
и статистика взяты из уже выполненного замера. Слева — вид документа,
|
||||
справа — буквальный Markdown для оценки последующей обработки ИИ.
|
||||
</div>
|
||||
<div class="layout">
|
||||
<article class="paper" id="preview"></article>
|
||||
<section class="source-panel">
|
||||
<h2>Markdown-источник</h2>
|
||||
<pre id="source"></pre>
|
||||
</section>
|
||||
</div>
|
||||
</main>
|
||||
|
||||
<nav class="switcher" aria-label="Переключение вариантов">
|
||||
<button id="previous" aria-label="Предыдущий вариант">←</button>
|
||||
<span id="variant-label"></span>
|
||||
<button id="next" aria-label="Следующий вариант">→</button>
|
||||
</nav>
|
||||
|
||||
<script>
|
||||
const variants = {
|
||||
A: {
|
||||
name: "Линейные реплики",
|
||||
source: `# Транскрипт: пример-встречи.mp4
|
||||
|
||||
- **Дата транскрипции**: 2026-08-14 12:00:00
|
||||
- **Модель**: gigaam-v3-e2e-rnnt
|
||||
- **Язык**: ru (задан явно)
|
||||
- **Длительность**: 25:59
|
||||
- **Устройство**: ONNX (CPU)
|
||||
- **Диаризация**: 4 голосовых кластера
|
||||
- **Внимание**: Speaker 4 — малый кластер (00:19; 1,3% речи), возможна ошибка разделения
|
||||
|
||||
---
|
||||
|
||||
[08:50] Speaker 3: А показываем, получается, в их контуре, не в нашем?
|
||||
|
||||
[08:54] Speaker 2: В нашем, по-моему.
|
||||
|
||||
[08:55] Speaker 3: В нашем. А, отлично. У нас просто есть тестовый контур, который на самом деле…
|
||||
|
||||
[09:07] Speaker 1: Мы же у них не разворачиваемся. Мне гораздо проще накатывать обновления на наш контур.
|
||||
|
||||
[11:34] Speaker 2: Результаты проверок пишутся туда же.
|
||||
|
||||
[11:39] Speaker 1: По сути, нам нужно переписать только ту часть, которая обрабатывает файл.
|
||||
|
||||
[11:43] Speaker 3: Да, а дальше переиспользовать существующую запись результатов.`,
|
||||
preview: `
|
||||
<h1>Транскрипт: пример-встречи.mp4</h1>
|
||||
<ul>
|
||||
<li><strong>Дата транскрипции</strong>: 2026-08-14 12:00:00</li>
|
||||
<li><strong>Модель</strong>: gigaam-v3-e2e-rnnt</li>
|
||||
<li><strong>Язык</strong>: ru (задан явно)</li>
|
||||
<li><strong>Длительность</strong>: 25:59</li>
|
||||
<li><strong>Устройство</strong>: ONNX (CPU)</li>
|
||||
<li><strong>Диаризация</strong>: 4 голосовых кластера</li>
|
||||
</ul>
|
||||
<div class="warning"><strong>Внимание:</strong> Speaker 4 — малый кластер (00:19; 1,3% речи), возможна ошибка разделения.</div>
|
||||
<hr>
|
||||
<p class="turn"><span class="time">[08:50]</span> Speaker 3: А показываем, получается, в их контуре, не в нашем?</p>
|
||||
<p class="turn"><span class="time">[08:54]</span> Speaker 2: В нашем, по-моему.</p>
|
||||
<p class="turn"><span class="time">[08:55]</span> Speaker 3: В нашем. А, отлично. У нас просто есть тестовый контур, который на самом деле…</p>
|
||||
<p class="turn"><span class="time">[09:07]</span> Speaker 1: Мы же у них не разворачиваемся. Мне гораздо проще накатывать обновления на наш контур.</p>
|
||||
<p class="turn"><span class="time">[11:34]</span> Speaker 2: Результаты проверок пишутся туда же.</p>
|
||||
<p class="turn"><span class="time">[11:39]</span> Speaker 1: По сути, нам нужно переписать только ту часть, которая обрабатывает файл.</p>
|
||||
<p class="turn overlap"><span class="time">[11:43]</span> Speaker 3: Да, а дальше переиспользовать существующую запись результатов.</p>`
|
||||
},
|
||||
B: {
|
||||
name: "Сценарий",
|
||||
source: `# Транскрипт: пример-встречи.mp4
|
||||
|
||||
> Диаризация нашла четыре голосовых кластера. Speaker 4 занимает 19 секунд и может быть ошибкой разделения.
|
||||
|
||||
---
|
||||
|
||||
### Speaker 3 · [08:50.75 - 08:54.73]
|
||||
|
||||
> А показываем, получается, в их контуре, не в нашем?
|
||||
|
||||
### Speaker 2 · [08:54.73 - 08:55.91]
|
||||
|
||||
> В нашем, по-моему.
|
||||
|
||||
### Speaker 3 · [08:55.81 - 09:07.96]
|
||||
|
||||
> В нашем. А, отлично. У нас просто есть тестовый контур, который на самом деле…
|
||||
|
||||
### Speaker 1 · [09:07.96 - 09:18.80]
|
||||
|
||||
> Мы же у них не разворачиваемся. Мне гораздо проще накатывать обновления на наш контур.
|
||||
|
||||
## Перекрывающаяся речь · [11:43.57 - 11:44.82]
|
||||
|
||||
> **Speaker 1:** По сути, нам нужно переписать только ту часть, которая обрабатывает файл.
|
||||
>
|
||||
> **Speaker 3:** Да, а дальше переиспользовать существующую запись результатов.`,
|
||||
preview: `
|
||||
<h1>Транскрипт: пример-встречи.mp4</h1>
|
||||
<blockquote><p>Диаризация нашла четыре голосовых кластера. Speaker 4 занимает 19 секунд и может быть ошибкой разделения.</p></blockquote>
|
||||
<hr>
|
||||
<h3>Speaker 3 · <span class="time">[08:50.75 - 08:54.73]</span></h3>
|
||||
<blockquote><p>А показываем, получается, в их контуре, не в нашем?</p></blockquote>
|
||||
<h3>Speaker 2 · <span class="time">[08:54.73 - 08:55.91]</span></h3>
|
||||
<blockquote><p>В нашем, по-моему.</p></blockquote>
|
||||
<h3>Speaker 3 · <span class="time">[08:55.81 - 09:07.96]</span></h3>
|
||||
<blockquote><p>В нашем. А, отлично. У нас просто есть тестовый контур, который на самом деле…</p></blockquote>
|
||||
<h3>Speaker 1 · <span class="time">[09:07.96 - 09:18.80]</span></h3>
|
||||
<blockquote><p>Мы же у них не разворачиваемся. Мне гораздо проще накатывать обновления на наш контур.</p></blockquote>
|
||||
<h2>Перекрывающаяся речь · <span class="time">[11:43.57 - 11:44.82]</span></h2>
|
||||
<blockquote class="overlap"><p><strong>Speaker 1:</strong> По сути, нам нужно переписать только ту часть, которая обрабатывает файл.<br><br><strong>Speaker 3:</strong> Да, а дальше переиспользовать существующую запись результатов.</p></blockquote>`
|
||||
},
|
||||
C: {
|
||||
name: "Таблица событий",
|
||||
source: `# Транскрипт: пример-встречи.mp4
|
||||
|
||||
| Speaker | Речь | Доля | Примечание |
|
||||
|---|---:|---:|---|
|
||||
| Speaker 1 | 09:33 | 40,3% | основной кластер |
|
||||
| Speaker 2 | 08:07 | 34,3% | основной кластер |
|
||||
| Speaker 3 | 05:42 | 24,1% | основной кластер |
|
||||
| Speaker 4 | 00:19 | 1,3% | возможная ошибка разделения |
|
||||
|
||||
| Начало | Конец | Кто | Текст | Событие |
|
||||
|---:|---:|---|---|---|
|
||||
| 08:50.75 | 08:54.73 | S3 | А показываем, получается, в их контуре, не в нашем? | — |
|
||||
| 08:54.73 | 08:55.91 | S2 | В нашем, по-моему. | — |
|
||||
| 08:55.81 | 09:07.96 | S3 | В нашем. А, отлично. У нас просто есть тестовый контур… | — |
|
||||
| 09:07.96 | 09:18.80 | S1 | Мы же у них не разворачиваемся. Мне проще накатывать обновления на наш контур. | — |
|
||||
| 11:39.91 | 11:44.82 | S1 | Нам нужно переписать только ту часть, которая обрабатывает файл. | overlap:S3 |
|
||||
| 11:43.57 | 11:46.47 | S3 | Да, а дальше переиспользовать существующую запись результатов. | overlap:S1 |`,
|
||||
preview: `
|
||||
<h1>Транскрипт: пример-встречи.mp4</h1>
|
||||
<table>
|
||||
<thead><tr><th>Speaker</th><th>Речь</th><th>Доля</th><th>Примечание</th></tr></thead>
|
||||
<tbody>
|
||||
<tr><td>Speaker 1</td><td>09:33</td><td>40,3%</td><td>основной кластер</td></tr>
|
||||
<tr><td>Speaker 2</td><td>08:07</td><td>34,3%</td><td>основной кластер</td></tr>
|
||||
<tr><td>Speaker 3</td><td>05:42</td><td>24,1%</td><td>основной кластер</td></tr>
|
||||
<tr class="warning"><td>Speaker 4</td><td>00:19</td><td>1,3%</td><td>возможная ошибка разделения</td></tr>
|
||||
</tbody>
|
||||
</table>
|
||||
<h2>События</h2>
|
||||
<table>
|
||||
<thead><tr><th>Начало</th><th>Конец</th><th>Кто</th><th>Текст</th><th>Событие</th></tr></thead>
|
||||
<tbody>
|
||||
<tr><td>08:50.75</td><td>08:54.73</td><td>S3</td><td>А показываем, получается, в их контуре, не в нашем?</td><td>—</td></tr>
|
||||
<tr><td>08:54.73</td><td>08:55.91</td><td>S2</td><td>В нашем, по-моему.</td><td>—</td></tr>
|
||||
<tr><td>08:55.81</td><td>09:07.96</td><td>S3</td><td>В нашем. А, отлично. У нас просто есть тестовый контур…</td><td>—</td></tr>
|
||||
<tr><td>09:07.96</td><td>09:18.80</td><td>S1</td><td>Мы же у них не разворачиваемся. Мне проще накатывать обновления на наш контур.</td><td>—</td></tr>
|
||||
<tr class="overlap"><td>11:39.91</td><td>11:44.82</td><td>S1</td><td>Нам нужно переписать только ту часть, которая обрабатывает файл.</td><td>overlap:S3</td></tr>
|
||||
<tr class="overlap"><td>11:43.57</td><td>11:46.47</td><td>S3</td><td>Да, а дальше переиспользовать существующую запись результатов.</td><td>overlap:S1</td></tr>
|
||||
</tbody>
|
||||
</table>`
|
||||
}
|
||||
};
|
||||
|
||||
const keys = Object.keys(variants);
|
||||
const params = new URLSearchParams(window.location.search);
|
||||
let current = (params.get("variant") || "A").toUpperCase();
|
||||
if (!variants[current]) current = "A";
|
||||
|
||||
function render() {
|
||||
const variant = variants[current];
|
||||
document.getElementById("preview").innerHTML = variant.preview;
|
||||
document.getElementById("source").textContent = variant.source;
|
||||
document.getElementById("variant-label").textContent = `${current} — ${variant.name}`;
|
||||
document.title = `${current} — ${variant.name} · PROTOTYPE`;
|
||||
}
|
||||
|
||||
function move(offset) {
|
||||
const index = keys.indexOf(current);
|
||||
current = keys[(index + offset + keys.length) % keys.length];
|
||||
const url = new URL(window.location.href);
|
||||
url.searchParams.set("variant", current);
|
||||
window.history.replaceState({}, "", url);
|
||||
render();
|
||||
}
|
||||
|
||||
document.getElementById("previous").addEventListener("click", () => move(-1));
|
||||
document.getElementById("next").addEventListener("click", () => move(1));
|
||||
window.addEventListener("keydown", (event) => {
|
||||
const target = event.target;
|
||||
if (target.matches("input, textarea, [contenteditable]")) return;
|
||||
if (event.key === "ArrowLeft") move(-1);
|
||||
if (event.key === "ArrowRight") move(1);
|
||||
});
|
||||
|
||||
render();
|
||||
</script>
|
||||
</body>
|
||||
</html>
|
||||
@@ -28,14 +28,6 @@ _Avoid_: Реплика, фраза говорящего
|
||||
Распознанное слово, положение которого известно на временной шкале записи. Минимальная единица, которой назначается говорящий.
|
||||
_Avoid_: Токен, ASR-сегмент
|
||||
|
||||
**Разметка говорящих**:
|
||||
Упорядоченный набор временных интервалов речи, каждому из которых назначена анонимная метка говорящего. Не содержит распознанного текста, имени участника или голосового эмбеддинга.
|
||||
_Avoid_: Результат диаризации, сегменты говорящих
|
||||
|
||||
**Голосовой кластер**:
|
||||
Анонимная группа интервалов разметки говорящих, которые диаризатор относит к одному голосу. Не обязательно соответствует реальному участнику встречи: диаризация может создать ложный или малый кластер.
|
||||
_Avoid_: Участник, человек
|
||||
|
||||
**Реплика говорящего**:
|
||||
Последовательность соседних слов с временной привязкой, назначенных одному говорящему. Это единица структуры готового транскрипта, а не запуска модели распознавания.
|
||||
_Avoid_: Сегмент распознавания, ASR-сегмент
|
||||
|
||||
@@ -10,7 +10,6 @@ transcribe meeting.mp4
|
||||
- **Полностью локально** — данные не покидают машину
|
||||
- **Авто-ускорение** — NVIDIA CUDA при наличии GPU, иначе ONNX на CPU
|
||||
- **Батч-режим** — обработка нескольких файлов за один вызов
|
||||
- **Разделение говорящих** — локальная диаризация по флагу `--diarize`
|
||||
- **Из проводника Windows** — пункт Transcribe в меню «Отправить» ([установка](#контекстное-меню-проводника-windows))
|
||||
- **Markdown с таймкодами** — удобен для суммаризации ИИ
|
||||
- **Аудио и видео** — mp3, wav, mp4, mkv и [другие форматы](#поддерживаемые-форматы)
|
||||
@@ -136,36 +135,8 @@ transcribe meeting.wav --device onnx --model gigaam-multilingual-large-ctc
|
||||
|
||||
# Сохранить в конкретный файл
|
||||
transcribe interview.m4a --output result.md
|
||||
|
||||
# Разделить встречу на реплики говорящих
|
||||
transcribe meeting.mp4 --diarize
|
||||
|
||||
# Если число участников известно заранее
|
||||
transcribe interview.m4a --speakers 2
|
||||
```
|
||||
|
||||
### Разделение говорящих
|
||||
|
||||
`--diarize` добавляет к транскрипту реплики `Speaker 1`, `Speaker 2` и так
|
||||
далее. `--speakers N` задаёт ожидаемое число участников и автоматически включает
|
||||
диаризацию; без него число кластеров определяется автоматически.
|
||||
|
||||
При первом таком запуске дополнительно скачиваются две ONNX-модели Sherpa-ONNX:
|
||||
сегментация (~6 МБ) и голосовые эмбеддинги (~27 МБ). Они сохраняются в кеше
|
||||
Hugging Face и используются повторно. Диаризация выполняется после распознавания
|
||||
речи и добавляет отдельный проход по записи. На измеренном слабом Intel Core
|
||||
i7-6820HQ последовательные ASR и диаризация увеличивали полное время примерно в
|
||||
2,4 раза, но оставались быстрее реального времени; фактическая скорость зависит
|
||||
от процессора и режима питания ([замеры](docs/benchmarks/2026-08-14-diarization-intel-i7.md)).
|
||||
|
||||
Если найдено меньше двух говорящих или диаризация конкретного файла завершилась
|
||||
ошибкой, текст не теряется: сохраняется обычный транскрипт, в Markdown
|
||||
записывается причина, а команда завершается с кодом `1`. Если выбранный ASR-путь
|
||||
не поддерживает пословные таймкоды или диаризатор не удалось инициализировать,
|
||||
запуск останавливается до первого ASR и не создаёт частичных транскриптов. Малый
|
||||
кластер только отмечается предупреждением и не удаляется. Слова без однозначного
|
||||
говорящего попадают в реплику `Speaker ?`.
|
||||
|
||||
### Батч-режим
|
||||
|
||||
Обработка нескольких файлов за один вызов — модель загружается один раз:
|
||||
@@ -184,8 +155,6 @@ transcribe *.mp4 --force
|
||||
- Файлы с существующим транскриптом (`*-transcript.md`) автоматически пропускаются
|
||||
- `--force` / `-f` — перезаписать существующие транскрипты
|
||||
- При ошибке в одном файле остальные продолжают обрабатываться
|
||||
- При ошибке диаризации сохраняется обычный транскрипт, остальные файлы
|
||||
продолжают обрабатываться; итоговый код батча — `1`
|
||||
- `--output` несовместим с несколькими файлами
|
||||
|
||||
### Контекстное меню проводника (Windows)
|
||||
@@ -223,8 +192,6 @@ transcribe --uninstall-menu
|
||||
| `--device` | `-d` | `auto` | Устройство (auto, cpu, cuda, openvino, openvino-gpu, openvino-cpu, onnx) |
|
||||
| `--compute-type` | — | float16 (CUDA) / int8 (ONNX/OpenVINO) / float32 (CPU) | Тип вычислений |
|
||||
| `--threads` | `-t` | 0 (авто) | Потоки CPU (рекомендуется = число физ. ядер) |
|
||||
| `--diarize` | — | — | Разделить текст на реплики говорящих |
|
||||
| `--speakers` | — | авто | Ожидаемое число говорящих; включает `--diarize` |
|
||||
| `--force` | `-f` | — | Перезаписать существующие транскрипты |
|
||||
| `--verbose` | `-v` | — | Подробный вывод |
|
||||
|
||||
@@ -437,17 +404,6 @@ device-aware дефолт недоступен для выбранной мод
|
||||
|
||||
Если язык определить не удалось, строка выглядит так: `- **Язык**: не определён`.
|
||||
|
||||
С `--diarize` при успешном обнаружении нескольких говорящих основная часть
|
||||
выглядит так:
|
||||
|
||||
```markdown
|
||||
[00:00] Speaker 1: Добрый день, коллеги.
|
||||
|
||||
[00:04] Speaker 2: Начнём с результатов квартала.
|
||||
```
|
||||
|
||||
Таймкод реплики показывает начало: `MM:SS`, а после часа — `HH:MM:SS`.
|
||||
|
||||
</details>
|
||||
|
||||
## Поддерживаемые форматы
|
||||
|
||||
@@ -1,133 +0,0 @@
|
||||
# ADR-007: Пословная диаризация через sherpa-onnx
|
||||
|
||||
**Статус**: Принято
|
||||
**Дата**: 2026-08-14
|
||||
|
||||
## Контекст
|
||||
|
||||
Разделение говорящих — главный структурный разрыв между локальным транскриптом
|
||||
и облачными сервисами в сценарии подготовки конспектов и протоколов встреч.
|
||||
Диаризация при этом не является ещё одним движком распознавания: она независимо
|
||||
строит [разметку говорящих](../../CONTEXT.md#language), которую затем нужно
|
||||
свести с результатом ASR.
|
||||
|
||||
Привязка одного говорящего ко всему сегменту распознавания оказалась слишком
|
||||
грубой. На трёх русскоязычных рабочих созвонах чужая реплика не короче секунды
|
||||
встретилась в 6–7% сегментов разговоров на двоих и в 27% сегментов встречи
|
||||
втроём. Сегменты распознавания проходят по тишине, а не по смене говорящего,
|
||||
поэтому сохранить контекст RNN-T и получить реплики можно только через более
|
||||
мелкую единицу сведения.
|
||||
|
||||
## Эксперимент
|
||||
|
||||
Локальная связка `sherpa-onnx` с сегментацией Pyannote 3.0 и эмбеддингами
|
||||
WeSpeaker ResNet34 LM проверена на трёх записях с известным составом. Для
|
||||
автоматического определения числа голосовых кластеров выбран порог 0,89: это
|
||||
единственное проверенное значение, которое на трёх контрольных фрагментах дало
|
||||
3 / 2 / 2 кластера. На полной встрече втроём остался ложный кластер длительностью
|
||||
19,1 секунды; поэтому малые кластеры нельзя молча отбрасывать, а разметку нельзя
|
||||
считать эталоном точных границ и перекрывающейся речи.
|
||||
|
||||
Двуязычная CAMPPlus zh/en оказалась примерно на 30% быстрее и при известном
|
||||
числе участников улучшила прокси-метрику на двух записях, но для неё не нашлось
|
||||
общего автоматического порога без лишних кластеров или склейки реальных голосов.
|
||||
Поэтому она остаётся кандидатом только для будущего режима с обязательным
|
||||
явным числом участников, а не для первой версии.
|
||||
|
||||
На доступном слабом Intel baseline, Core i7-6820HQ с урезанным питанием,
|
||||
последовательные ASR и диаризация обработали час записи примерно за 23 минуты.
|
||||
Диаризация увеличивает полное время примерно в 2,4 раза, но остаётся быстрее
|
||||
реального времени и приемлема как явно включаемая функция. Конкретный Core i5
|
||||
11-го поколения не проверен, поскольку такого устройства нет.
|
||||
|
||||
Исходные данные и ограничения зафиксированы в отчётах о
|
||||
[калибровке](../benchmarks/2026-08-14-diarization-calibration.md),
|
||||
[смешении говорящих](../benchmarks/2026-08-14-asr-segment-speaker-mixing.md) и
|
||||
[производительности на Intel](../benchmarks/2026-08-14-diarization-intel-i7.md).
|
||||
|
||||
### Сглаживание неизвестного говорящего
|
||||
|
||||
После приёмки отдельно проверена идея автоматически назначать `Speaker ?`
|
||||
известному говорящему, если короткий неизвестный фрагмент находится между двумя
|
||||
репликами одного и того же `Speaker N`. На трёх контрольных транскриптах найдено
|
||||
143 таких неизвестных фрагмента, содержащих 309 слов. У 79 фрагментов соседи
|
||||
имели одинаковую метку, у 64 — разные.
|
||||
|
||||
Для T2 BDMA и Yantar результат грубо сопоставлен с независимыми Hypescribe-
|
||||
транскриптами. Это не gold-разметка: их границы округлены до секунды, а готовый
|
||||
speaker Markdown хранит только начало реплики. Тем не менее эвристика не показала
|
||||
достаточной селективности:
|
||||
|
||||
| Эвристика | Изменённых фрагментов на трёх записях | Совпадение на двух записях с опорой |
|
||||
|---|---:|---:|
|
||||
| Все неизвестные между одинаковыми соседями | 79 | 22 / 42 (52%) |
|
||||
| Только один неизвестный word | 35 | 11 / 20 (55%) |
|
||||
| Не больше двух words | 50 | 15 / 30 (50%) |
|
||||
| Одинаковый отображённый timestamp | 42 | 14 / 22 (64%) |
|
||||
|
||||
Короткие `Да`, `Нет` и `Угу` часто являются самостоятельной репликой другого
|
||||
участника. В одном из контрольных случаев неизвестный фрагмент `— Угу. — А`
|
||||
даже содержал границу двух голосов, хотя с обеих сторон находился один и тот же
|
||||
кластер. Поэтому post-hoc сглаживание по соседям скрывает полезную
|
||||
неопределённость и не применяется. `Speaker ?` остаётся явным результатом ничьей
|
||||
или отсутствия временного перекрытия.
|
||||
|
||||
Если к этой задаче возвращаться, проверять нужно исходные границы `Word` и
|
||||
`SpeakerInterval` до группировки: отдельно различать нулевой timestamp, реальный
|
||||
зазор между интервалами и ничью перекрытий. По готовому Markdown такая проверка
|
||||
невозможна, потому что в нём уже потеряны доли секунды, конец слова и причина
|
||||
неопределённости.
|
||||
|
||||
## Решение
|
||||
|
||||
Диаризацию реализуем как явно включаемый пост-процессинг через `sherpa-onnx`.
|
||||
Первая версия использует Pyannote segmentation 3.0, WeSpeaker ResNet34 LM,
|
||||
порог кластеризации 0,89 и автоматическое число кластеров; известное число
|
||||
участников можно передать явно.
|
||||
|
||||
Говорящий назначается [слову с временной
|
||||
привязкой](../../CONTEXT.md#language), а не сегменту распознавания. Каждый
|
||||
ASR-бэкенд приводит свой результат к общему набору слов с положением на
|
||||
временной шкале. Проходы ASR и диаризации независимо получают одно аудио, после
|
||||
чего отдельная операция сводит слова с интервалами разметки говорящих и
|
||||
объединяет соседние слова одного говорящего в реплики. Распознавание по-прежнему
|
||||
выполняется на полных сегментах и сохраняет контекст модели.
|
||||
|
||||
Диаризация не вводит грубый fallback на целый сегмент и не переключает
|
||||
устройство ASR ради получения пословных таймкодов. Существующий GPU→CPU fallback
|
||||
распознавания сохраняется и завершается до диаризации. Отсутствие пословных
|
||||
таймкодов или ошибка инициализации диаризатора останавливают запуск до ASR.
|
||||
Ошибка диаризации конкретного файла после успешного ASR не уничтожает полезный
|
||||
результат: сохраняется обычный транскрипт с явным предупреждением и ненулевым
|
||||
статусом, а батч продолжает остальные файлы. Порядок первой реализации, время
|
||||
жизни диаризатора, кеш и подробная матрица поведения находятся в
|
||||
[спецификации](../specs/2026-08-14-speaker-diarization.md).
|
||||
|
||||
## Последствия
|
||||
|
||||
- Общий контракт результата распознавания расширяется каноническими словами с
|
||||
временной привязкой; сегменты распознавания сохраняются для совместимости и
|
||||
контроля качества.
|
||||
- FasterWhisper, ONNX-ASR и OpenVINO должны экспортировать один и тот же
|
||||
пословный контракт. OpenVINO GenAI 2026.x уже предоставляет нужные таймкоды,
|
||||
поэтому ограничение находится в адаптере проекта, а не в движке.
|
||||
- `sherpa-onnx` становится обычной runtime-зависимостью, а две модели
|
||||
диаризации скачиваются и кешируются лениво при первом запросе.
|
||||
- Выход остаётся линейным Markdown с анонимными метками `Speaker N`.
|
||||
Сопоставление голосов с именами и специальная запись перекрывающейся речи не
|
||||
входят в ядро CLI.
|
||||
- Последовательный режим задаёт корректный baseline. Параллельный запуск и
|
||||
автоматическое включение на мощных устройствах требуют отдельных измерений
|
||||
после стабилизации.
|
||||
|
||||
## Отклонённые альтернативы
|
||||
|
||||
| Альтернатива | Почему отклонена |
|
||||
|---|---|
|
||||
| Не делать диаризацию | Оставляет главный продуктовый разрыв, хотя измеренная стоимость допустима для явной функции |
|
||||
| Мажоритарный говорящий на весь сегмент распознавания | Теряет чужие реплики на всех трёх проверенных записях |
|
||||
| Сначала диаризация, затем ASR коротких интервалов | Лишает RNN-T длинного контекста и ухудшает согласование и пунктуацию |
|
||||
| `pyannote.audio` | Тянет PyTorch и требует Hugging Face token с принятием лицензии |
|
||||
| Сборка поверх приватных деталей `onnx-asr` | Экономит небольшую отдельную зависимость ценой нестабильного внутреннего API и собственной кластеризации |
|
||||
| Параллельные проходы в первой версии | Нет прямого benchmark и измеренного общего пика памяти; сначала нужен корректный последовательный baseline |
|
||||
| Автоматически назначать `Speaker ?` одинаковому соседнему кластеру | На двух записях с независимой опорой совпало только 52% назначений; лимиты по словам и округлённому времени не отделили короткие ответы другого участника |
|
||||
@@ -179,6 +179,75 @@ openvino-cpu, запись 25:59) с облачным сервисом Hypescrib
|
||||
LLM для чистки текста, сопоставление Speaker N с именами — это работа
|
||||
поверх готового транскрипта.
|
||||
|
||||
### Диаризация — разделение говорящих
|
||||
|
||||
**Что:** Опциональный пост-процессинг (не четвёртый бэкенд): диаризация
|
||||
даёт интервалы «кто когда говорил», результат сводится с сегментами ASR,
|
||||
formatter ломает абзац на смене спикера и подписывает `Speaker 1:`.
|
||||
Ставится как extra: `uv sync --extra diarization`.
|
||||
|
||||
**Почему:** Без спикеров MoM не собрать — это ключевой разрыв с облаком
|
||||
по внешнему ревью, и никакое качество распознавания его не компенсирует.
|
||||
Заодно естественно решает «разбивку на реплики» (приоритет №4).
|
||||
|
||||
**Промежуточный статус 2026-08-12:** проведена разведка, описанная в
|
||||
[разведочном замере диаризации](benchmarks/2026-08-12-diarization-feasibility.md).
|
||||
Она закрыла вопрос о движке и открыла более важный вопрос о единице привязки.
|
||||
|
||||
**Движок — вопрос практически закрыт.** `sherpa-onnx` ставится на Windows с
|
||||
Python 3.13, содержит готовый `OfflineSpeakerDiarization`, не тянет torch и не
|
||||
требует токена Hugging Face; модели сегментации и эмбеддингов весят около 33 МБ.
|
||||
Скорость — 11,1× RTFx, то есть примерно полторы длительности ASR. Вариант
|
||||
`pyannote.audio` остаётся отклонённым по прежней причине: torch и HF-токен с
|
||||
принятием лицензии. Отдельный ADR имеет смысл заводить вместе с решением о
|
||||
единице привязки, а не только про движок.
|
||||
|
||||
Замечание для будущих заходов: обе ML-части диаризации уже лежат в
|
||||
`onnx-asr` 0.12 — `PyAnnoteVad` содержит полную локальную сегментацию pyannote
|
||||
(powerset на трёх спикеров, склейка окон), а `WespeakerEmbeddings` даёт
|
||||
эмбеддинги. Публичный API схлопывает сегментацию до речь/не-речь, `load_se` не
|
||||
экспортирован, кластеризации нет. Собирать диаризацию самим на этих деталях —
|
||||
экономия 33 МБ ценой опоры на приватный API; при разведке этот путь не
|
||||
выбирался.
|
||||
|
||||
**Единица привязки — настоящая развилка, решения нет.** Схема «мажоритарный
|
||||
спикер на весь ASR-сегмент», записанная здесь раньше, замером не подтвердилась:
|
||||
27% сегментов содержат не менее секунды чужой речи, и на них приходится больше
|
||||
половины времени транскрипта. Причина — границы сегментов идут по тишине
|
||||
(Silero VAD), а в ВКС собеседники отвечают встык. Варианты:
|
||||
|
||||
- **пословная привязка** — `onnx-asr` отдаёт потокенные таймкоды
|
||||
(`TimestampedResult`), сегмент режется на границе токена при смене
|
||||
говорящего; ASR по-прежнему видит длинное аудио, контекст RNN-T и пунктуация
|
||||
не страдают. Недоступно на OpenVINO GenAI — там потокенных таймкодов нет;
|
||||
- **диаризация первым проходом**, ASR по интервалам говорящего — чистота
|
||||
гарантирована, но короткие куски лишают RNN-T контекста и портят пунктуацию;
|
||||
- **привязка к сегменту с честной пометкой** — оставить огрубление, но считать
|
||||
чистоту и предупреждать в шапке, как уже делается для повторов и потери
|
||||
хвоста.
|
||||
|
||||
**Уточнить перед запуском:** воспроизводится ли доля 27% на других записях,
|
||||
включая разговор на двоих; правильность границ диаризации на слух, а не только
|
||||
совпадение числа говорящих; калибровка порога кластеризации (на пороге из
|
||||
примеров получилось 29 спикеров вместо трёх); эмбеддинги, обученные не только
|
||||
на английском; производительность на целевом Intel Core i5.
|
||||
|
||||
---
|
||||
|
||||
### Ручка нарезки абзацев в formatter
|
||||
|
||||
**Что:** «Минутные простыни» в транскрипте — не свойство модели, а наши
|
||||
константы группировки `_PAUSE_THRESHOLD_S = 2.0` / `_MAX_PARAGRAPH_S =
|
||||
60.0` в `formatter.py` (сырых сегментов много: 23-минутная запись — 360
|
||||
сегментов, ~4 с на реплику). Вынести в опцию/конфиг или уменьшить
|
||||
дефолт.
|
||||
|
||||
**Почему откладывается:** при диаризации абзацы будут ломаться по смене
|
||||
спикера естественно — сначала решить с диаризацией, чтобы не делать
|
||||
ручку, которая устареет.
|
||||
|
||||
---
|
||||
|
||||
### Словарь замен технических терминов — запасной план
|
||||
|
||||
**Что:** Пост-обработка текста сегментов словарём замен по границам слов
|
||||
|
||||
@@ -1,48 +0,0 @@
|
||||
# Приёмка speaker diarization в CLI
|
||||
|
||||
**Дата:** 2026-08-14
|
||||
|
||||
**Статус:** ручная приёмка реализации задачи #24 на трёх контрольных записях.
|
||||
|
||||
## Профиль запуска
|
||||
|
||||
- ASR: `onnx`, `gigaam-v3-e2e-rnnt`, русский язык;
|
||||
- диаризация: Pyannote segmentation 3.0 и WeSpeaker ResNet34 LM;
|
||||
- автоматическое число говорящих, порог кластеризации `0,89`;
|
||||
- 8 потоков CPU, модели в локальном кеше;
|
||||
- обычный ASR и запуск с `--diarize` выполнялись последовательно.
|
||||
|
||||
## Результаты
|
||||
|
||||
| Запись | Длительность | Обычный ASR | С диаризацией | Кластеры | Неназначенные слова |
|
||||
|---|---:|---:|---:|---:|---:|
|
||||
| Data Test | 26:00 | 137,5 с | 326,2 с | 4 (один малый, 19,1 с) | 201 |
|
||||
| T2 BDMA | 14:51 | 83,0 с | 184,2 с | 2 | 65 |
|
||||
| Yantar | 20:22 | 100,1 с | 259,7 с | 2 | 43 |
|
||||
|
||||
Все три запуска завершились быстрее реального времени. Четвёртый прогон T2
|
||||
BDMA после исправления склейки пунктуации повторно подтвердил два кластера и
|
||||
65 неназначенных слов.
|
||||
|
||||
## Инварианты
|
||||
|
||||
- после удаления только форматных пробелов перед Unicode-пунктуацией и
|
||||
символами текст speaker-вывода на всех трёх записях в точности совпал с
|
||||
обычным ASR: 21 788, 10 520 и 12 055 символов соответственно;
|
||||
- повторный T2-прогон последней версии также дал точное совпадение 10 520 из
|
||||
10 520 символов;
|
||||
- слова не потерялись и не поменяли порядок; неизвестный говорящий остаётся в
|
||||
выводе как `Speaker ?`;
|
||||
- CLI показал число кластеров, неназначенные слова и малый остаточный кластер,
|
||||
не скрывая диагностические данные.
|
||||
|
||||
## Память и стоимость
|
||||
|
||||
Во время финального T2-прогона рабочий процесс наблюдался на уровне 905 МБ RSS.
|
||||
Это согласуется с отдельным замером последовательных проходов: 900–1035 МБ для
|
||||
ASR и 366–469 МБ для диаризации. Подробные условия и ограничения приведены в
|
||||
[отчёте Intel i7](2026-08-14-diarization-intel-i7.md).
|
||||
|
||||
Диаризация остаётся опциональной: на контрольных записях полное время выросло
|
||||
примерно в 2,2–2,6 раза. При этом сбой диаризации не удаляет готовый ASR-текст и
|
||||
не останавливает обработку остальных файлов batch-запуска.
|
||||
@@ -1,199 +0,0 @@
|
||||
# Стоимость CPU-диаризации и облегчённые альтернативы
|
||||
|
||||
**Дата:** 2026-08-14
|
||||
|
||||
**Статус:** исследовательская записка. Production-конфигурация не менялась.
|
||||
|
||||
## Краткий вывод
|
||||
|
||||
Измеренная стоимость ожидаема для выбранного каскада, но не является
|
||||
неизбежным минимумом. `WeSpeaker ResNet34 LM` — не аномально большая модель:
|
||||
ONNX-файл занимает 26,5 МБ, а сама архитектура находится в младшей части
|
||||
семейства WeSpeaker ResNet. Основная цена возникает из способа применения
|
||||
моделей: Pyannote проходит запись перекрывающимися 10-секундными окнами с шагом
|
||||
1 секунда, после чего sherpa-onnx отдельно считает speaker embedding для каждого
|
||||
локального говорящего каждого окна.
|
||||
|
||||
На минутном профиле текущей связки на этом ноутбуке эмбеддинги заняли 5,150 с
|
||||
из 6,395 с, сегментация — 1,243 с, кластеризация — меньше измеримой миллисекунды.
|
||||
То есть около 81% времени в этом прогоне пришлось на многократные вызовы
|
||||
WeSpeaker. Ускорять только кластеризацию или менять её порог бессмысленно.
|
||||
|
||||
Более лёгкие пути есть. Самый безопасный для исследования — официальная INT8
|
||||
версия той же Pyannote-сегментации. Самый большой подтверждённый upstream
|
||||
потенциал даёт `nemo_en_titanet_small`, но её качество и порог кластеризации на
|
||||
русских созвонах проекта ещё не проверялись. Локально проверенная CAMPPlus zh/en
|
||||
быстрее WeSpeaker примерно на 30%, однако не прошла требование автоматического
|
||||
определения числа говорящих с единым порогом.
|
||||
|
||||
## Откуда берётся стоимость
|
||||
|
||||
`sherpa-onnx` строит результат из трёх вычислительных стадий: speaker
|
||||
segmentation, speaker embeddings и clustering. Это соответствует как
|
||||
[официальному API](https://k2-fsa.github.io/sherpa/onnx/c-api/html/speaker_diarization.html),
|
||||
так и [реализации конвейера
|
||||
Pyannote](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h).
|
||||
|
||||
### 1. Перекрывающаяся сегментация
|
||||
|
||||
Pyannote segmentation 3.0 принимает 10 секунд mono 16 кГц и различает до трёх
|
||||
локальных говорящих в окне, включая пары одновременно говорящих. Это явно
|
||||
зафиксировано в [карточке исходной
|
||||
модели](https://huggingface.co/pyannote/segmentation-3.0).
|
||||
|
||||
В официальном ONNX-файле `window_size=160000`, то есть те же 10 секунд при
|
||||
16 кГц. В sherpa-onnx 1.13.5 `window_shift_ratio` по умолчанию равен 0,1, а
|
||||
число окон вычисляется из размера окна и этого шага. Поэтому обычная длинная
|
||||
запись проходит через segmentation-модель примерно десятикратно
|
||||
перекрывающимися окнами: новое окно начинается каждую секунду. См.
|
||||
[конфигурацию шага](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-segmentation-pyannote-model-config.h)
|
||||
и [цикл обработки
|
||||
окон](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h).
|
||||
|
||||
Это не признак «огромной» модели: FP32-файл сегментации весит лишь 5,7 МБ.
|
||||
Стоимость создаёт прежде всего частота её запуска. Официальная поставка также
|
||||
содержит `model.int8.onnx` размером 1,5 МБ
|
||||
([документация sherpa-onnx](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html)).
|
||||
|
||||
### 2. Embedding для каждого локального говорящего каждого окна
|
||||
|
||||
После сегментации sherpa-onnx исключает перекрывающиеся кадры из материала для
|
||||
эмбеддинга, собирает пары `(окно, локальный говорящий)` и для каждой пары создаёт
|
||||
отдельный stream и запускает embedding extractor. Это видно непосредственно в
|
||||
[методах `GetChunkSpeakerSampleIndexes` и
|
||||
`ComputeEmbeddings`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h).
|
||||
|
||||
При одном активном голосе это уже примерно один embedding на секунду записи;
|
||||
если в окне модель видит несколько локальных голосов, вызовов становится больше.
|
||||
Текущий extractor — английский VoxCeleb `ResNet34_LM`; WeSpeaker поясняет, что
|
||||
суффикс LM означает дополнительную large-margin донастройку, полезную на
|
||||
фрагментах длиннее трёх секунд
|
||||
([официальный список моделей](https://github.com/wenet-e2e/wespeaker/blob/master/docs/pretrained.md)).
|
||||
|
||||
### 3. Кластеризация почти бесплатна
|
||||
|
||||
В [первичном разведочном
|
||||
замере](../benchmarks/2026-08-12-diarization-feasibility.md) смена порога не
|
||||
изменила время: 153–157 с, а кластеризация занимала доли секунды. Минутный профиль
|
||||
текущей production-конфигурации также показал `0.000 s` для clustering. Явное
|
||||
число участников полезно для качества и стабильности количества кластеров, но не
|
||||
является существенной оптимизацией CPU.
|
||||
|
||||
## Что показывают локальные измерения
|
||||
|
||||
| Среда и материал | Конфигурация | Результат |
|
||||
|---|---|---:|
|
||||
| Ryzen 7 8845H, Data Test 26:00 | Pyannote FP32 + WeSpeaker, 8 потоков | 140,7 с; 11,1× realtime |
|
||||
| Ryzen 7 8845H, три 5-минутных фрагмента | WeSpeaker | средний RTF 0,118 |
|
||||
| Ryzen 7 8845H, те же фрагменты | CAMPPlus zh/en | средний RTF 0,083; 0,70× от WeSpeaker |
|
||||
| Intel Core i7-6820HQ, 61:13 аудио | WeSpeaker, 8 потоков | 832,3 с; 4,4× realtime |
|
||||
| Текущий ноутбук, 60 с T2 BDMA | WeSpeaker, 8 потоков, debug profile | segmentation 1,243 с; embeddings 5,150 с; clustering 0,000 с; всего 6,395 с |
|
||||
|
||||
Источники полных воспроизводимых замеров: [разведка на
|
||||
Ryzen](../benchmarks/2026-08-12-diarization-feasibility.md), [калибровка
|
||||
эмбеддингов](../benchmarks/2026-08-14-diarization-calibration.md) и [Intel
|
||||
baseline](../benchmarks/2026-08-14-diarization-intel-i7.md). Минутный профиль —
|
||||
диагностический одиночный прогон той же production-конфигурации на первых 60
|
||||
секундах T2 BDMA; его следует использовать для распределения стоимости по
|
||||
стадиям, а не как новый общий benchmark.
|
||||
|
||||
Увеличение `num_threads` не решает проблему. На Data Test переход с четырёх
|
||||
потоков (154 с) на восемь (141 с) дал только 9%. Это согласуется с устройством
|
||||
конвейера: он выполняет много последовательных ONNX-вызовов для отдельных окон
|
||||
и локальных говорящих, поэтому добавление потоков внутри одного вызова быстро
|
||||
перестаёт масштабироваться.
|
||||
|
||||
## Официально поддерживаемые облегчённые варианты
|
||||
|
||||
### INT8 Pyannote segmentation 3.0
|
||||
|
||||
Sherpa-onnx официально поставляет FP32 и INT8 варианты одной сегментации. На его
|
||||
контрольной записи замена только segmentation-модели при 3D-Speaker embedding
|
||||
снизила RTF с 0,297 до 0,241, то есть примерно на 19%. С TitaNet small разница
|
||||
меньше: 0,119 против 0,110. Все числа опубликованы на одной странице
|
||||
[официальных примеров и
|
||||
замеров](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html).
|
||||
|
||||
Trade-off: это минимальное архитектурное изменение, но INT8 меняет границы
|
||||
интервалов даже в официальном примере. Перед заменой нужно повторить на трёх
|
||||
контрольных записях число кластеров, purity, малые кластеры, неназначенные слова
|
||||
и полный runtime. На текущем минутном профиле segmentation занимает лишь около
|
||||
19% времени, поэтому одной квантизацией нельзя ожидать кратного ускорения всей
|
||||
диаризации.
|
||||
|
||||
### 3D-Speaker CAMPPlus zh/en
|
||||
|
||||
Модель уже входит в официальный релиз speaker-recognition моделей sherpa-onnx,
|
||||
а 3D-Speaker публикует CAM++ как штатную архитектуру своего набора
|
||||
([репозиторий и таблица
|
||||
моделей](https://github.com/modelscope/3D-Speaker)). Её ONNX-файл занимает
|
||||
28,3 МБ — немного больше текущих 26,5 МБ, поэтому размер файла здесь плохо
|
||||
предсказывает вычислительную стоимость.
|
||||
|
||||
Локально CAMPPlus дала RTF 0,083 против 0,118 у WeSpeaker, то есть была примерно
|
||||
на 30% быстрее. При известном числе участников она также улучшила proxy-purity
|
||||
на двух разговорах. Но в автоматическом режиме не нашлось единого порога: один
|
||||
порог оставлял лишние кластеры, следующий уже склеивал реальные голоса. Полные
|
||||
данные находятся в [отчёте о
|
||||
калибровке](../benchmarks/2026-08-14-diarization-calibration.md).
|
||||
|
||||
Trade-off: хороший кандидат для режима с обязательным `--speakers N`, но не
|
||||
готовая замена общего автоматического режима.
|
||||
|
||||
### NeMo TitaNet small
|
||||
|
||||
Sherpa-onnx официально показывает `nemo_en_titanet_small` как совместимый
|
||||
embedding extractor. На его контрольной записи Pyannote FP32 + TitaNet small
|
||||
дала RTF 0,119 вместо 0,297 у Pyannote FP32 + 3D-Speaker ERes2Net; с INT8
|
||||
сегментацией — 0,110 вместо 0,241. Это самый большой опубликованный upstream
|
||||
выигрыш среди проверенных на одной странице комбинаций
|
||||
([официальные замеры](https://k2-fsa.github.io/sherpa/onnx/speaker-diarization/models.html)).
|
||||
TitaNet использует 1D depth-wise separable convolutions и channel-attention
|
||||
statistics pooling
|
||||
([документация NVIDIA](https://docs.nvidia.com/nemo-framework/user-guide/25.02/nemotoolkit/asr/speaker_recognition/models.html)).
|
||||
|
||||
Trade-off: upstream-цифры сняты на другой embedding-модели сравнения, другом
|
||||
материале и оборудовании, поэтому коэффициент нельзя переносить на этот ноутбук.
|
||||
Кроме того, TitaNet small не проходила локальную калибровку на русской речи:
|
||||
неизвестны подходящий clustering threshold, стабильность числа голосов и
|
||||
качество коротких реплик. Сначала нужен тот же свип, который уже выполнен для
|
||||
WeSpeaker и CAMPPlus.
|
||||
|
||||
### Увеличение шага окна
|
||||
|
||||
В C++-конфигурации sherpa-onnx 1.13.5 есть `window_shift_ratio`, поэтому на уровне
|
||||
движка можно уменьшить число перекрывающихся окон ценой более грубой разметки.
|
||||
Но [Python binding этой
|
||||
версии](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/offline-speaker-diarization.cc)
|
||||
экспортирует только путь `model`, а не `window_shift_ratio`. Для текущего Python
|
||||
приложения это не штатная ручка без изменения upstream binding или собственного
|
||||
нативного слоя. Даже после появления ручки потребуется отдельная калибровка:
|
||||
более редкие окна могут ухудшить границы смены голоса и короткие ответы — как раз
|
||||
самую чувствительную часть текущего результата.
|
||||
|
||||
## Практические следующие шаги
|
||||
|
||||
1. Не считать текущую стоимость дефектом реализации: выбранный результат
|
||||
соответствует устройству sherpa-onnx и остаётся быстрее realtime даже на
|
||||
старом Intel.
|
||||
2. Первым отдельным экспериментом прогнать INT8 Pyannote на тех же трёх файлах.
|
||||
Это наименьший по масштабу вариант, хотя ожидаемый выигрыш умеренный.
|
||||
3. Отдельно откалибровать TitaNet small. У неё лучший опубликованный потенциал
|
||||
скорости, но пока нет локальных данных о качестве.
|
||||
4. CAMPPlus предлагать только как кандидат для режима с известным числом
|
||||
участников, если 30% экономии оправдывает второй production-профиль.
|
||||
5. Параллельный ASR и diarization исследовать независимо от выбора модели. Он не
|
||||
уменьшает CPU-работу, но может сократить wall-clock latency. Обязательно
|
||||
измерить конкуренцию за ядра и общий peak RSS: на Intel последовательные пики
|
||||
составляли 900–1035 МБ для ASR и 366–469 МБ для диаризации, а совместный пик
|
||||
пока не измерен.
|
||||
|
||||
## Вердикт
|
||||
|
||||
Текущая диаризация тяжёлая **в основном из-за каскада и плотного перекрытия
|
||||
окон**, а не потому, что случайно выбрана гигантская модель. Но выбранный
|
||||
WeSpeaker ResNet34 LM не самый быстрый extractor. Реалистичный резерв — умеренное
|
||||
ускорение через INT8 segmentation, около 30% по локальным данным через CAMPPlus
|
||||
при известном числе участников и потенциально более крупное ускорение через
|
||||
TitaNet small после обязательной русскоязычной калибровки. Простое добавление
|
||||
потоков или настройка clustering заметного выигрыша не даст.
|
||||
@@ -1,207 +0,0 @@
|
||||
# Диаризация говорящих в транскрипте
|
||||
|
||||
## Проблема
|
||||
|
||||
Текущий транскрипт знает только сегменты распознавания. Их границы проходят по
|
||||
тишине и не совпадают со сменой говорящего, поэтому один сегмент может содержать
|
||||
несколько реплик. Назначение одной метки всему сегменту искажает структуру
|
||||
диалога и делает транскрипт слабым сырьём для конспекта или протокола встречи.
|
||||
|
||||
[ADR-007](../adr/007-word-level-speaker-diarization.md) выбирает явную
|
||||
пословную диаризацию через `sherpa-onnx`. Эта спецификация фиксирует форму первой
|
||||
реализации, не меняя принятые решения.
|
||||
|
||||
## Цели
|
||||
|
||||
- По явному запросу строить реплики говорящих, сохраняя текст и длинный контекст
|
||||
ASR.
|
||||
- Поддержать один контракт слов с временной привязкой на FasterWhisper,
|
||||
ONNX-ASR и OpenVINO.
|
||||
- Сохранить предсказуемый single- и batch-режим при отсутствии речи, ошибках
|
||||
диаризации и малых голосовых кластерах.
|
||||
- Выдать компактный Markdown, удобный и человеку, и последующей обработке LLM.
|
||||
|
||||
## Не входит
|
||||
|
||||
- Автоматическое включение диаризации без флага и `--no-diarize`.
|
||||
- Параллельный запуск ASR и диаризации.
|
||||
- Сопоставление `Speaker N` с именами участников.
|
||||
- Постоянный кеш разметки говорящих, голосовые эмбеддинги и диагностические
|
||||
файлы.
|
||||
- Отдельный синтаксис для перекрывающейся речи.
|
||||
- Изменение устройства ASR или диаризации ради восстановления функции.
|
||||
|
||||
## Пользовательский интерфейс
|
||||
|
||||
- `--diarize` включает диаризацию. По умолчанию она выключена; ключ в
|
||||
`.transcriber.toml` в первой версии не добавляется.
|
||||
- `--speakers N`, где `N >= 1`, задаёт известное число участников и сам включает
|
||||
диаризацию. Без него число кластеров определяется автоматически.
|
||||
- `--threads N` остаётся единым бюджетом активного CPU-прохода. Значение целиком
|
||||
получает сначала ASR, затем диаризация; `0` оставляет настройки библиотек.
|
||||
- `--verbose` показывает в консоли прогресс, число кластеров и интервалов,
|
||||
длительность прохода и предупреждения, но не создаёт дополнительные файлы.
|
||||
- `--force` пересчитывает и ASR, и диаризацию. Без него готовый транскрипт, как и
|
||||
сейчас, пропускается целиком.
|
||||
|
||||
`sherpa-onnx` входит в обычные runtime-зависимости. Модели
|
||||
`sherpa-onnx-pyannote-segmentation-3-0` и
|
||||
`wespeaker_en_voxceleb_resnet34_LM.onnx` скачиваются и кешируются лениво при
|
||||
первом запросе диаризации. Отдельного installation extra нет.
|
||||
|
||||
## Контракты данных
|
||||
|
||||
Результат ASR сохраняет существующие сегменты распознавания и дополнительно
|
||||
содержит упорядоченные канонические слова. Для каждого слова известны текст,
|
||||
начало и конец на временной шкале исходной записи. Backend-специфичные токены и
|
||||
слова нормализуются в адаптере бэкенда; их обратная сборка должна сохранять
|
||||
распознанный текст с точностью до нормализации пробелов.
|
||||
|
||||
Разметка говорящих хранится отдельно от результата ASR: это упорядоченные
|
||||
временные интервалы с анонимным идентификатором голосового кластера. ASR-бэкенд
|
||||
не знает о кластерах, а диаризатор не знает о распознанном тексте.
|
||||
|
||||
Операция сведения суммирует временное перекрытие слова с интервалами каждого
|
||||
кластера и назначает кластер с единственным наибольшим ненулевым перекрытием.
|
||||
Если пересечения нет либо несколько кластеров делят наибольшее значение, слово
|
||||
получает неизвестного говорящего: порядок кластеров не используется как
|
||||
искусственная развязка ничьей. Соседние слова одного говорящего объединяются в
|
||||
реплику; порядок слов и исходная временная шкала не меняются.
|
||||
|
||||
Все три ASR-пути обязаны предоставлять пословный контракт до включения
|
||||
диаризации:
|
||||
|
||||
| Путь | Источник временных привязок |
|
||||
|---|---|
|
||||
| FasterWhisper | word timestamps CTranslate2 |
|
||||
| ONNX-ASR | timestamped result модели |
|
||||
| OpenVINO | word-level timestamps `WhisperPipeline` |
|
||||
|
||||
Грубая подстановка метки на весь сегмент распознавания запрещена.
|
||||
|
||||
## Пайплайн и время жизни
|
||||
|
||||
После prescan и только при наличии файлов для обработки загружаются ASR-модель
|
||||
и один batch-owned диаризатор. До первого ASR проверяются доступность пословных
|
||||
таймкодов, модели диаризации и возможность создать диаризатор. Ошибка этого
|
||||
этапа останавливает весь запуск без частичных транскриптов.
|
||||
|
||||
Каждый файл обрабатывается последовательно:
|
||||
|
||||
1. ASR;
|
||||
2. диаризация, если ASR нашёл речь;
|
||||
3. сведение слов с разметкой говорящих;
|
||||
4. форматирование и запись Markdown.
|
||||
|
||||
Один диаризатор последовательно переиспользуется для всех файлов батча. Данные
|
||||
конкретной записи не становятся состоянием следующей. Объект освобождается при
|
||||
завершении команды и не переносится через `TranscribeFileResult`.
|
||||
|
||||
Разметка говорящих хранится только до сведения. Единственный постоянный
|
||||
продуктовый артефакт — Markdown-транскрипт; локальный кеш файлов моделей живёт
|
||||
по существующим правилам загрузчиков.
|
||||
|
||||
## Конфигурация диаризации
|
||||
|
||||
Автоматический режим использует:
|
||||
|
||||
- Pyannote segmentation 3.0;
|
||||
- WeSpeaker ResNet34 LM;
|
||||
- порог кластеризации 0,89;
|
||||
- автоматическое число кластеров.
|
||||
|
||||
`--speakers N` передаёт явное число кластеров вместо автоматического. Для
|
||||
предупреждения используется диагностическая граница из калибровки: малым
|
||||
считается кластер с речью короче максимума из 5 секунд и 2% длительности записи.
|
||||
Граница влияет только на предупреждение — кластер не отбрасывается, получает
|
||||
обычный номер и не меняет статус команды.
|
||||
|
||||
## Формат Markdown
|
||||
|
||||
При двух и более найденных кластерах тело состоит из линейных реплик:
|
||||
|
||||
```markdown
|
||||
[09:07] Speaker 1: Мы же у них не разворачиваемся…
|
||||
|
||||
[09:18] Speaker 2: Мне гораздо проще накатывать обновления…
|
||||
```
|
||||
|
||||
- Печатается только начало реплики; доли секунды отбрасываются, а не округляются
|
||||
(`09:07.96` → `[09:07]`). Для записей длиннее часа используется
|
||||
`[HH:MM:SS]`, иначе `[MM:SS]`.
|
||||
- Метка `Speaker N` не получает Markdown-выделение.
|
||||
- Нумерация начинается заново для каждого файла; номера назначаются по порядку
|
||||
первого появления кластера в словах транскрипта.
|
||||
- Смена говорящего всегда начинает новую реплику.
|
||||
- Речь одного говорящего дополнительно разбивается по паузе не меньше 2 секунд
|
||||
и максимальной длительности реплики 60 секунд.
|
||||
- Слова без назначенного кластера группируются под `Speaker ?`.
|
||||
- Перекрывающаяся речь остаётся в хронологическом порядке без особого
|
||||
синтаксиса.
|
||||
- В шапку добавляется число голосовых кластеров и предупреждения. Таблица
|
||||
длительности по кластерам не выводится.
|
||||
|
||||
Без успешной разметки нескольких говорящих сохраняется нынешний формат
|
||||
обычного транскрипта с диапазонами времени.
|
||||
|
||||
## Деградация и статус команды
|
||||
|
||||
| Ситуация | Артефакт | Консоль и шапка | Статус |
|
||||
|---|---|---|---|
|
||||
| Диаризация не запрошена | Обычный транскрипт | Без новых сообщений | Текущий |
|
||||
| ASR не нашёл речь | Текущий пустой Markdown | Речь не обнаружена; диаризация не запускалась | 0 |
|
||||
| Найдено не меньше двух кластеров | Транскрипт с `Speaker N` | Число кластеров и предупреждения | 0, если нет иной ошибки |
|
||||
| Найден один кластер | Обычный транскрипт без `Speaker 1` | Причина в консоли и шапке | Ненулевой |
|
||||
| Есть слова без пересечения | Транскрипт с `Speaker ?` | Число таких слов | 0 |
|
||||
| Есть малый кластер | Транскрипт со всеми кластерами | Длительность малого кластера | 0 |
|
||||
| Разметка пуста при непустом ASR | Обычный транскрипт | Явное предупреждение | Ненулевой |
|
||||
| Ошибка диаризации конкретного файла | Обычный транскрипт | Явное предупреждение | Ненулевой |
|
||||
| Нет пословных таймкодов или не инициализировался диаризатор | Файлы не обрабатываются | Понятная ошибка до ASR | Ненулевой |
|
||||
|
||||
В батче деградированный файл записывается, учитывается как неуспешная
|
||||
диаризация, а остальные файлы продолжают обрабатываться. Итоговый статус батча
|
||||
ненулевой, если хотя бы один файл деградировал или завершился ошибкой.
|
||||
|
||||
## Критерии приёмки
|
||||
|
||||
### Автоматические проверки
|
||||
|
||||
- Адаптер каждого ASR-бэкенда возвращает монотонные слова с временной
|
||||
привязкой; сборка слов сохраняет текст сегментов с точностью до пробелов.
|
||||
- Сведение покрывает смену говорящего, отсутствие пересечения, равное
|
||||
наибольшее перекрытие с результатом `Speaker ?`, пунктуацию на границе реплик
|
||||
и хронологический порядок.
|
||||
- Форматтер проверяется для обычных, часовых, неизвестных и малых кластеров,
|
||||
`Speaker ?`, отбрасывания долей таймкода, паузы 2 секунды и предела 60 секунд.
|
||||
- CLI проверяет несовместимые и граничные значения, не запускает ASR при ошибке
|
||||
preflight и соблюдает всю матрицу деградации в single- и batch-режимах.
|
||||
- Батч создаёт диаризатор ровно один раз, пропускает его для пустого ASR,
|
||||
переиспользует между файлами и не пишет промежуточный кеш.
|
||||
- `--threads`, `--verbose` и `--force` сохраняют описанную семантику.
|
||||
|
||||
Все автоматические тесты мокают движки и не скачивают реальные модели.
|
||||
|
||||
### Ручная проверка
|
||||
|
||||
Финальная сборка прогоняется на трёх записях из отчётов карты:
|
||||
|
||||
- текст до и после сведения совпадает с точностью до переносов и пробелов;
|
||||
- на плотном диалоге вручную проверяются устойчивость «голос → кластер», смены
|
||||
говорящего, пропуски, малый остаточный кластер и перекрывающаяся речь;
|
||||
- автоматическая конфигурация воспроизводит наблюдённую форму результата:
|
||||
три основных и один малый остаточный кластер на Data Test, по два кластера на
|
||||
T2 BDMA и Yantar;
|
||||
- последовательный прогон на доступном Intel baseline остаётся быстрее
|
||||
реального времени; фактические wall time и peak RSS записываются рядом с
|
||||
результатом проверки.
|
||||
|
||||
## Документация
|
||||
|
||||
README должен описать новые CLI-флаги, ленивую загрузку моделей, ожидаемую
|
||||
стоимость, формат `Speaker N`, предупреждения и batch-поведение. Направления
|
||||
«Диаризация» и «Ручка нарезки абзацев» удаляются из backlog: первое перешло в
|
||||
эту спецификацию, второе закрыто разрывом реплики на смене говорящего.
|
||||
|
||||
После стабилизации отдельно рассматриваются
|
||||
[параллельный запуск](https://git.dementev.space/ddmitry/local-transcriber/issues/22)
|
||||
и [hardware-aware default](https://git.dementev.space/ddmitry/local-transcriber/issues/23).
|
||||
@@ -8,9 +8,7 @@ dependencies = [
|
||||
"typer>=0.24.1,<1",
|
||||
"rich>=14.3.3,<15",
|
||||
"faster-whisper>=1.2.1,<2",
|
||||
"httpx>=0.28,<1",
|
||||
"socksio>=1.0.0,<2",
|
||||
"sherpa-onnx>=1.13.5,<2",
|
||||
"nvidia-cublas-cu12>=12.4,<13; sys_platform == 'linux' and platform_machine == 'x86_64'",
|
||||
"openvino-genai>=2026.3.0.0,<2026.4; sys_platform != 'darwin' and (platform_machine == 'x86_64' or platform_machine == 'AMD64')",
|
||||
"onnx-asr[cpu,hub]>=0.12,<0.13",
|
||||
|
||||
@@ -16,11 +16,6 @@ class Backend(Protocol):
|
||||
наследование не требуется.
|
||||
"""
|
||||
|
||||
@property
|
||||
def word_timestamps_available(self) -> bool:
|
||||
"""Гарантирует ли выбранный backend/model пословные таймкоды."""
|
||||
...
|
||||
|
||||
def ensure_model_available(
|
||||
self,
|
||||
model_name: str,
|
||||
|
||||
@@ -2,6 +2,9 @@
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import gc
|
||||
import io
|
||||
import warnings
|
||||
from collections.abc import Callable
|
||||
from pathlib import Path
|
||||
from typing import Any
|
||||
@@ -15,12 +18,7 @@ from faster_whisper import WhisperModel # noqa: E402
|
||||
from huggingface_hub import snapshot_download # noqa: E402
|
||||
from huggingface_hub.errors import LocalEntryNotFoundError # noqa: E402
|
||||
|
||||
from local_transcriber.types import ( # noqa: E402
|
||||
Segment,
|
||||
TranscribeResult,
|
||||
Word,
|
||||
WordTimestampsUnavailableError,
|
||||
)
|
||||
from local_transcriber.types import Segment, TranscribeResult # noqa: E402
|
||||
|
||||
MODEL_REPOS = {
|
||||
"tiny": "Systran/faster-whisper-tiny",
|
||||
@@ -48,8 +46,6 @@ MODEL_REQUIRED_FILES = [
|
||||
class FasterWhisperBackend:
|
||||
"""Бэкенд транскрипции через faster-whisper (CTranslate2)."""
|
||||
|
||||
word_timestamps_available = True
|
||||
|
||||
def __init__(self):
|
||||
self.actual_compute_type: str | None = None
|
||||
|
||||
@@ -96,9 +92,7 @@ class FasterWhisperBackend:
|
||||
"""
|
||||
try:
|
||||
return WhisperModel(
|
||||
model_path,
|
||||
device=device,
|
||||
compute_type=compute_type,
|
||||
model_path, device=device, compute_type=compute_type,
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
except ImportError as exc:
|
||||
@@ -120,25 +114,12 @@ class FasterWhisperBackend:
|
||||
) -> TranscribeResult:
|
||||
"""Транскрибирует файл через faster-whisper."""
|
||||
segment_generator, info = model.transcribe(
|
||||
str(file_path),
|
||||
language=language,
|
||||
word_timestamps=True,
|
||||
str(file_path), language=language,
|
||||
)
|
||||
total_duration = info.duration
|
||||
segments: list[Segment] = []
|
||||
words: list[Word] = []
|
||||
for raw_seg in segment_generator:
|
||||
seg = Segment(start=raw_seg.start, end=raw_seg.end, text=raw_seg.text)
|
||||
raw_words = raw_seg.words or []
|
||||
if seg.text.strip() and not raw_words:
|
||||
raise WordTimestampsUnavailableError(
|
||||
"FasterWhisper не вернул пословные таймкоды "
|
||||
"для распознанного сегмента"
|
||||
)
|
||||
words.extend(
|
||||
Word(start=raw_word.start, end=raw_word.end, text=raw_word.word)
|
||||
for raw_word in raw_words
|
||||
)
|
||||
if on_segment is not None:
|
||||
on_segment(seg)
|
||||
segments.append(seg)
|
||||
@@ -154,7 +135,6 @@ class FasterWhisperBackend:
|
||||
language_probability=info.language_probability,
|
||||
duration=info.duration,
|
||||
device_used="", # оркестратор проставит actual_device
|
||||
words=words,
|
||||
)
|
||||
|
||||
|
||||
@@ -175,9 +155,7 @@ def _resolve_model_repo(model_name: str) -> str:
|
||||
repo_id = MODEL_REPOS.get(model_name)
|
||||
if repo_id is None:
|
||||
expected = ", ".join(MODEL_REPOS)
|
||||
raise ValueError(
|
||||
f"Неподдерживаемая модель '{model_name}'. Ожидалось одно из: {expected}"
|
||||
)
|
||||
raise ValueError(f"Неподдерживаемая модель '{model_name}'. Ожидалось одно из: {expected}")
|
||||
return repo_id
|
||||
|
||||
|
||||
@@ -200,17 +178,13 @@ def _snapshot_download(repo_id: str, local_files_only: bool) -> str:
|
||||
|
||||
def _validate_model_dir(model_dir: Path) -> None:
|
||||
missing = [
|
||||
filename
|
||||
for filename in MODEL_REQUIRED_FILES
|
||||
if not (model_dir / filename).exists()
|
||||
filename for filename in MODEL_REQUIRED_FILES if not (model_dir / filename).exists()
|
||||
]
|
||||
if not any(model_dir.glob("vocabulary.*")):
|
||||
missing.append("vocabulary.*")
|
||||
if missing:
|
||||
missing_str = ", ".join(missing)
|
||||
raise ValueError(
|
||||
f"Неполная локальная модель в '{model_dir}': отсутствуют {missing_str}"
|
||||
)
|
||||
raise ValueError(f"Неполная локальная модель в '{model_dir}': отсутствуют {missing_str}")
|
||||
|
||||
|
||||
def _is_missing_socksio_error(exc: BaseException) -> bool:
|
||||
|
||||
@@ -8,13 +8,7 @@ from dataclasses import dataclass
|
||||
from pathlib import Path
|
||||
from typing import Any
|
||||
|
||||
from local_transcriber.types import (
|
||||
UNKNOWN_LANGUAGE,
|
||||
Segment,
|
||||
TranscribeResult,
|
||||
Word,
|
||||
WordTimestampsUnavailableError,
|
||||
)
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment, TranscribeResult
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
@@ -66,7 +60,9 @@ _WHISPER_MODEL_NAMES = frozenset(
|
||||
_OPENVINO_ONLY_WHISPER_MODELS = frozenset({"large-v3-turbo"})
|
||||
|
||||
MODEL_CATALOG: dict[str, OnnxModelSpec] = {
|
||||
"gigaam-v3": OnnxModelSpec("gigaam-v3-ctc", _INT8_AND_FLOAT32, _RUSSIAN_ONLY),
|
||||
"gigaam-v3": OnnxModelSpec(
|
||||
"gigaam-v3-ctc", _INT8_AND_FLOAT32, _RUSSIAN_ONLY
|
||||
),
|
||||
"parakeet-v3": OnnxModelSpec(
|
||||
"nemo-parakeet-tdt-0.6b-v3",
|
||||
_INT8_AND_FLOAT32,
|
||||
@@ -139,11 +135,6 @@ class OnnxAsrBackend:
|
||||
self._model_spec: OnnxModelSpec | None = None
|
||||
self._vad: Any = None
|
||||
|
||||
@property
|
||||
def word_timestamps_available(self) -> bool:
|
||||
"""Каталожные модели проверены; произвольный raw id отклоняется."""
|
||||
return self._model_spec is not None
|
||||
|
||||
def ensure_model_available(
|
||||
self,
|
||||
model_name: str,
|
||||
@@ -203,7 +194,7 @@ class OnnxAsrBackend:
|
||||
)
|
||||
vad = onnx_asr.load_vad("silero")
|
||||
self._vad = vad
|
||||
return model.with_vad(vad).with_timestamps()
|
||||
return model.with_vad(vad)
|
||||
|
||||
def transcribe(
|
||||
self,
|
||||
@@ -224,13 +215,10 @@ class OnnxAsrBackend:
|
||||
self._warn_if_language_unsupported(language)
|
||||
_notify(on_status, "Загружаю аудио...")
|
||||
audio_array = decode_audio(str(file_path), sampling_rate=16000)
|
||||
if isinstance(audio_array, tuple):
|
||||
raise TypeError("Декодер неожиданно вернул раздельные стереоканалы")
|
||||
duration = len(audio_array) / 16000.0
|
||||
|
||||
_notify(on_status, "Транскрибирую (onnx-asr)...")
|
||||
segments: list[Segment] = []
|
||||
words: list[Word] = []
|
||||
result_language = (
|
||||
language or _model_language(self._model_spec) or UNKNOWN_LANGUAGE
|
||||
)
|
||||
@@ -247,12 +235,6 @@ class OnnxAsrBackend:
|
||||
end=end,
|
||||
text=vad_seg.text,
|
||||
)
|
||||
segment_words = _timestamped_segment_words(vad_seg, start, end)
|
||||
if vad_seg.text.strip() and not segment_words:
|
||||
raise WordTimestampsUnavailableError(
|
||||
"ONNX-ASR не вернул пословные таймкоды для распознанного текста"
|
||||
)
|
||||
words.extend(segment_words)
|
||||
if on_segment is not None:
|
||||
on_segment(seg)
|
||||
segments.append(seg)
|
||||
@@ -267,7 +249,6 @@ class OnnxAsrBackend:
|
||||
language_probability=1.0 if language else 0.0,
|
||||
duration=duration,
|
||||
device_used="", # оркестратор проставит
|
||||
words=words,
|
||||
)
|
||||
|
||||
def _resolve_model(self, model_name: str) -> str:
|
||||
@@ -345,48 +326,3 @@ def _model_language(spec: OnnxModelSpec | None) -> str | None:
|
||||
def _notify(on_status: Callable[[str], None] | None, message: str) -> None:
|
||||
if on_status is not None:
|
||||
on_status(message)
|
||||
|
||||
|
||||
def _timestamped_segment_words(
|
||||
vad_segment: Any,
|
||||
segment_start: float,
|
||||
segment_end: float,
|
||||
) -> list[Word]:
|
||||
tokens = getattr(vad_segment, "tokens", None)
|
||||
timestamps = getattr(vad_segment, "timestamps", None)
|
||||
if not tokens or not timestamps or len(tokens) != len(timestamps):
|
||||
return []
|
||||
|
||||
grouped: list[tuple[float, str]] = []
|
||||
current_start = float(timestamps[0])
|
||||
current_tokens: list[str] = []
|
||||
for token, timestamp in zip(tokens, timestamps, strict=True):
|
||||
if token[:1].isspace() and current_tokens:
|
||||
grouped.append((current_start, "".join(current_tokens)))
|
||||
current_start = float(timestamp)
|
||||
current_tokens = []
|
||||
current_tokens.append(token)
|
||||
grouped.append((current_start, "".join(current_tokens)))
|
||||
|
||||
words: list[Word] = []
|
||||
for index, (relative_start, text) in enumerate(grouped):
|
||||
start = min(
|
||||
segment_end,
|
||||
max(segment_start, segment_start + relative_start),
|
||||
)
|
||||
next_start = next(
|
||||
(
|
||||
candidate_start
|
||||
for candidate_start, _ in grouped[index + 1 :]
|
||||
if candidate_start > relative_start
|
||||
),
|
||||
None,
|
||||
)
|
||||
end = max(
|
||||
start,
|
||||
min(segment_end, segment_start + next_start)
|
||||
if next_start is not None
|
||||
else segment_end,
|
||||
)
|
||||
words.append(Word(start=start, end=end, text=text))
|
||||
return words
|
||||
|
||||
@@ -2,9 +2,9 @@
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import json
|
||||
import threading
|
||||
import time
|
||||
import warnings
|
||||
from collections.abc import Callable
|
||||
from pathlib import Path
|
||||
from typing import Any
|
||||
@@ -12,13 +12,7 @@ from typing import Any
|
||||
from huggingface_hub import snapshot_download
|
||||
from huggingface_hub.errors import LocalEntryNotFoundError
|
||||
|
||||
from local_transcriber.types import (
|
||||
UNKNOWN_LANGUAGE,
|
||||
Segment,
|
||||
TranscribeResult,
|
||||
Word,
|
||||
WordTimestampsUnavailableError,
|
||||
)
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment, TranscribeResult
|
||||
|
||||
# (model_alias, compute_type) → HF repo
|
||||
MODEL_REPOS: dict[tuple[str, str], str] = {
|
||||
@@ -49,15 +43,12 @@ _IMPLICIT_COMPUTE_TYPE_OVERRIDES: dict[str, str] = {
|
||||
MODEL_REQUIRED_FILES = [
|
||||
"openvino_encoder_model.xml",
|
||||
"openvino_decoder_model.xml",
|
||||
"generation_config.json",
|
||||
]
|
||||
|
||||
|
||||
class OpenVINOBackend:
|
||||
"""Бэкенд транскрипции через openvino-genai WhisperPipeline."""
|
||||
|
||||
word_timestamps_available = True
|
||||
|
||||
def __init__(
|
||||
self,
|
||||
ov_device: str = "openvino-cpu",
|
||||
@@ -91,9 +82,7 @@ class OpenVINOBackend:
|
||||
except ValueError:
|
||||
_notify(on_status, f"Кэш модели {model_name} неполный, докачиваю...")
|
||||
|
||||
_notify(
|
||||
on_status, f"Скачиваю модель {model_name} (OpenVINO) из Hugging Face..."
|
||||
)
|
||||
_notify(on_status, f"Скачиваю модель {model_name} (OpenVINO) из Hugging Face...")
|
||||
downloaded_path = Path(snapshot_download(repo_id, local_files_only=False))
|
||||
_validate_model_dir(downloaded_path)
|
||||
return str(downloaded_path)
|
||||
@@ -126,11 +115,7 @@ class OpenVINOBackend:
|
||||
|
||||
ov_dev = self._resolve_ov_device()
|
||||
self.actual_ov_device = ov_dev
|
||||
return ov_genai.WhisperPipeline(
|
||||
model_path,
|
||||
ov_dev,
|
||||
word_timestamps=True,
|
||||
)
|
||||
return ov_genai.WhisperPipeline(model_path, ov_dev)
|
||||
|
||||
def transcribe(
|
||||
self,
|
||||
@@ -145,23 +130,16 @@ class OpenVINOBackend:
|
||||
|
||||
_notify(on_status, "Загружаю аудио...")
|
||||
raw_speech = decode_audio(str(file_path), sampling_rate=16000)
|
||||
if isinstance(raw_speech, tuple):
|
||||
raise TypeError("Декодер неожиданно вернул раздельные стереоканалы")
|
||||
duration = len(raw_speech) / 16000.0
|
||||
|
||||
kwargs: dict[str, Any] = {
|
||||
"return_timestamps": True,
|
||||
"word_timestamps": True,
|
||||
}
|
||||
kwargs: dict[str, Any] = {"return_timestamps": True}
|
||||
if language:
|
||||
kwargs["language"] = f"<|{language}|>"
|
||||
|
||||
dur_min = int(duration // 60)
|
||||
duration_str = f"{dur_min} мин" if dur_min > 0 else f"{int(duration)} сек"
|
||||
pcm_list = raw_speech.tolist()
|
||||
result = _generate_with_progress(
|
||||
model, pcm_list, kwargs, duration_str, on_status
|
||||
)
|
||||
result = _generate_with_progress(model, pcm_list, kwargs, duration_str, on_status)
|
||||
|
||||
segments: list[Segment] = []
|
||||
if hasattr(result, "chunks") and result.chunks:
|
||||
@@ -181,16 +159,6 @@ class OpenVINOBackend:
|
||||
f"Транскрибирую (OpenVINO)... [{len(segments)} сегм.]",
|
||||
)
|
||||
|
||||
words = []
|
||||
for raw_word in getattr(result, "words", None) or []:
|
||||
start = min(duration, max(0.0, raw_word.start_ts))
|
||||
end = min(duration, max(start, raw_word.end_ts))
|
||||
words.append(Word(start=start, end=end, text=raw_word.word))
|
||||
if any(segment.text.strip() for segment in segments) and not words:
|
||||
raise WordTimestampsUnavailableError(
|
||||
"OpenVINO не вернул пословные таймкоды для распознанного текста"
|
||||
)
|
||||
|
||||
detected_language = language or UNKNOWN_LANGUAGE
|
||||
language_probability = 1.0 if language else 0.0
|
||||
|
||||
@@ -200,7 +168,6 @@ class OpenVINOBackend:
|
||||
language_probability=language_probability,
|
||||
duration=duration,
|
||||
device_used="", # оркестратор проставит
|
||||
words=words,
|
||||
)
|
||||
|
||||
def _resolve_repo(self, model_name: str, compute_type: str) -> tuple[str, str]:
|
||||
@@ -209,10 +176,7 @@ class OpenVINOBackend:
|
||||
Возвращает (repo_id, actual_compute_type).
|
||||
"""
|
||||
# Для неявного compute_type: override для конкретных моделей
|
||||
if (
|
||||
not self._compute_type_explicit
|
||||
and model_name in _IMPLICIT_COMPUTE_TYPE_OVERRIDES
|
||||
):
|
||||
if not self._compute_type_explicit and model_name in _IMPLICIT_COMPUTE_TYPE_OVERRIDES:
|
||||
compute_type = _IMPLICIT_COMPUTE_TYPE_OVERRIDES[model_name]
|
||||
|
||||
# Точное совпадение
|
||||
@@ -267,10 +231,7 @@ def _generate_with_progress(
|
||||
while thread.is_alive():
|
||||
elapsed = int(time.monotonic() - start)
|
||||
elapsed_str = f"{elapsed // 60:02d}:{elapsed % 60:02d}"
|
||||
_notify(
|
||||
on_status,
|
||||
f"Транскрибирую {duration_str} аудио (OpenVINO)... прошло {elapsed_str}",
|
||||
)
|
||||
_notify(on_status, f"Транскрибирую {duration_str} аудио (OpenVINO)... прошло {elapsed_str}")
|
||||
thread.join(timeout=1.0)
|
||||
|
||||
if error_box[0] is not None:
|
||||
@@ -290,11 +251,3 @@ def _validate_model_dir(model_dir: Path) -> None:
|
||||
raise ValueError(
|
||||
f"Неполная OpenVINO модель в '{model_dir}': отсутствуют {', '.join(missing)}"
|
||||
)
|
||||
generation_config = json.loads(
|
||||
(model_dir / "generation_config.json").read_text(encoding="utf-8")
|
||||
)
|
||||
if not generation_config.get("alignment_heads"):
|
||||
raise ValueError(
|
||||
f"OpenVINO модель в '{model_dir}' не содержит alignment_heads "
|
||||
"для пословных таймкодов"
|
||||
)
|
||||
|
||||
+47
-276
@@ -11,7 +11,6 @@ from rich.status import Status
|
||||
from .config import apply_device_defaults, load_config, resolve_defaults
|
||||
from .context_menu import install_menu as install_context_menu
|
||||
from .context_menu import uninstall_menu as uninstall_context_menu
|
||||
from .diarization import build_speaker_transcript
|
||||
from .formatter import (
|
||||
LANGUAGE_DETECTED,
|
||||
LANGUAGE_FORCED,
|
||||
@@ -28,7 +27,6 @@ from .quality import (
|
||||
find_repetition_blocks,
|
||||
tail_gap,
|
||||
)
|
||||
from .speaker_diarizer import SpeakerDiarizer, load_speaker_diarizer
|
||||
from .transcriber import (
|
||||
Segment,
|
||||
TranscribeResult,
|
||||
@@ -36,12 +34,7 @@ from .transcriber import (
|
||||
_transcribe_file,
|
||||
load_model,
|
||||
)
|
||||
from .types import (
|
||||
UNKNOWN_LANGUAGE,
|
||||
DiarizationRun,
|
||||
SpeakerTranscript,
|
||||
StatusCallback,
|
||||
)
|
||||
from .types import UNKNOWN_LANGUAGE
|
||||
from .utils import (
|
||||
build_output_path,
|
||||
detect_device,
|
||||
@@ -69,7 +62,9 @@ def _format_device_info(device_used: str) -> str:
|
||||
return "CPU"
|
||||
|
||||
|
||||
def _format_language_mode(requested_language: str, result: TranscribeResult) -> str:
|
||||
def _format_language_mode(
|
||||
requested_language: str, result: TranscribeResult
|
||||
) -> str:
|
||||
"""Описывает источник языка, не выдавая профиль модели за детектор."""
|
||||
if requested_language != "auto":
|
||||
return LANGUAGE_FORCED
|
||||
@@ -97,9 +92,7 @@ def _format_repetition_blocks(
|
||||
return summary
|
||||
|
||||
|
||||
def _print_quality_warnings(
|
||||
result: TranscribeResult, file_name: str | None = None
|
||||
) -> None:
|
||||
def _print_quality_warnings(result: TranscribeResult, file_name: str | None = None) -> None:
|
||||
"""Печатает предупреждения о возможной потере содержания."""
|
||||
is_batch = file_name is not None
|
||||
use_hours = result.duration > 3600
|
||||
@@ -109,7 +102,8 @@ def _print_quality_warnings(
|
||||
covered = format_duration(result.segments[-1].end)
|
||||
total = format_duration(result.duration)
|
||||
message = (
|
||||
f"транскрипт покрывает {covered} из {total} — возможна потеря хвоста записи"
|
||||
f"транскрипт покрывает {covered} из {total} — "
|
||||
"возможна потеря хвоста записи"
|
||||
)
|
||||
if is_batch:
|
||||
console.print(f" {file_name}: {message}", style="yellow")
|
||||
@@ -134,64 +128,6 @@ def _print_quality_warnings(
|
||||
)
|
||||
|
||||
|
||||
def _diarize_result(
|
||||
file_path: Path,
|
||||
result: TranscribeResult,
|
||||
diarizer: SpeakerDiarizer,
|
||||
on_status: StatusCallback,
|
||||
) -> tuple[SpeakerTranscript | None, str | None, DiarizationRun | None]:
|
||||
"""Запускает диаризацию и переводит ожидаемые сбои в деградацию вывода."""
|
||||
try:
|
||||
run = diarizer.process(file_path, on_status=on_status)
|
||||
transcript = build_speaker_transcript(
|
||||
result.words,
|
||||
run.intervals,
|
||||
result.duration,
|
||||
)
|
||||
if not run.intervals:
|
||||
warning = "Диаризатор не нашёл интервалов при непустом распознавании"
|
||||
elif transcript.cluster_count < 2:
|
||||
warning = "Найден только один голосовой кластер"
|
||||
else:
|
||||
warning = None
|
||||
return transcript, warning, run
|
||||
except Exception as exc:
|
||||
return None, f"Диаризация завершилась с ошибкой: {exc}", None
|
||||
|
||||
|
||||
def _print_diarization_report(
|
||||
transcript: SpeakerTranscript,
|
||||
run: DiarizationRun,
|
||||
verbose: bool,
|
||||
file_name: str | None = None,
|
||||
) -> None:
|
||||
"""Печатает метрики verbose и обязательные предупреждения сведения."""
|
||||
if verbose:
|
||||
indent = " " if file_name is not None else ""
|
||||
console.print(
|
||||
f"{indent}Диаризация: {transcript.cluster_count} кластеров, "
|
||||
f"{len(run.intervals)} интервалов, {run.elapsed_seconds:.1f} с"
|
||||
)
|
||||
|
||||
warning_prefix = f" {file_name}: " if file_name is not None else "Внимание: "
|
||||
if transcript.unassigned_word_count:
|
||||
console.print(
|
||||
f"{warning_prefix}{transcript.unassigned_word_count} слов "
|
||||
"без назначенного говорящего",
|
||||
style="yellow",
|
||||
)
|
||||
for cluster in transcript.small_clusters:
|
||||
label = (
|
||||
f"Speaker {cluster.speaker}"
|
||||
if cluster.speaker is not None
|
||||
else "кластер без номера"
|
||||
)
|
||||
console.print(
|
||||
f"{warning_prefix}малый кластер {label}: {cluster.duration:.1f} с",
|
||||
style="yellow",
|
||||
)
|
||||
|
||||
|
||||
@app.command()
|
||||
def main(
|
||||
files: list[Path] | None = typer.Argument(None, help="Пути к аудио/видеофайлам"),
|
||||
@@ -205,54 +141,26 @@ def main(
|
||||
language: str | None = typer.Option(
|
||||
None, "--language", "-l", show_default=False, help="Язык [по умолч.: ru]"
|
||||
),
|
||||
output: Path | None = typer.Option(
|
||||
None, "--output", "-o", help="Путь к выходному файлу"
|
||||
),
|
||||
output: Path | None = typer.Option(None, "--output", "-o", help="Путь к выходному файлу"),
|
||||
device: str | None = typer.Option(
|
||||
None,
|
||||
"--device",
|
||||
"-d",
|
||||
show_default=False,
|
||||
help="Устройство (auto|cpu|cuda|openvino|openvino-gpu|openvino-cpu|onnx) [по умолч.: auto]",
|
||||
None, "--device", "-d", show_default=False,
|
||||
help="Устройство (auto|cpu|cuda|openvino|openvino-gpu|openvino-cpu|onnx) [по умолч.: auto]"
|
||||
),
|
||||
compute_type: str | None = typer.Option(
|
||||
None,
|
||||
"--compute-type",
|
||||
show_default=False,
|
||||
None, "--compute-type", show_default=False,
|
||||
help=(
|
||||
"Тип вычислений [по умолч.: float16 (CUDA) / "
|
||||
"int8 (ONNX/OpenVINO) / float32 (CPU)]"
|
||||
),
|
||||
),
|
||||
threads: int = typer.Option(
|
||||
0,
|
||||
"--threads",
|
||||
"-t",
|
||||
show_default=False,
|
||||
min=0,
|
||||
help="Потоки CPU (0 = дефолт библиотеки; рекомендуется = число физ. ядер)",
|
||||
),
|
||||
diarize: bool = typer.Option(
|
||||
False,
|
||||
"--diarize",
|
||||
help="Разделить транскрипт на реплики говорящих",
|
||||
),
|
||||
speakers: int | None = typer.Option(
|
||||
None,
|
||||
"--speakers",
|
||||
min=1,
|
||||
help="Известное число говорящих; автоматически включает --diarize",
|
||||
0, "--threads", "-t", show_default=False, min=0,
|
||||
help="Потоки CPU (0 = дефолт библиотеки; рекомендуется = число физ. ядер)"
|
||||
),
|
||||
verbose: bool = typer.Option(False, "--verbose", "-v", help="Подробный вывод"),
|
||||
force: bool = typer.Option(
|
||||
False, "--force", "-f", help="Перезаписать существующие транскрипты"
|
||||
),
|
||||
install_menu: bool = typer.Option(
|
||||
False, "--install-menu", help="Установить пункт Transcribe в SendTo"
|
||||
),
|
||||
uninstall_menu: bool = typer.Option(
|
||||
False, "--uninstall-menu", help="Удалить пункт Transcribe из SendTo"
|
||||
),
|
||||
force: bool = typer.Option(False, "--force", "-f", help="Перезаписать существующие транскрипты"),
|
||||
install_menu: bool = typer.Option(False, "--install-menu", help="Установить пункт Transcribe в SendTo"),
|
||||
uninstall_menu: bool = typer.Option(False, "--uninstall-menu", help="Удалить пункт Transcribe из SendTo"),
|
||||
) -> None:
|
||||
"""Транскрибирует аудио/видеофайлы в markdown с таймкодами.
|
||||
|
||||
@@ -262,31 +170,25 @@ def main(
|
||||
|
||||
if install_menu or uninstall_menu:
|
||||
if install_menu and uninstall_menu:
|
||||
console.print(
|
||||
"--install-menu и --uninstall-menu несовместимы.", style="red bold"
|
||||
)
|
||||
console.print("--install-menu и --uninstall-menu несовместимы.", style="red bold")
|
||||
raise SystemExit(2)
|
||||
if files:
|
||||
console.print(
|
||||
"Флаги меню нельзя использовать вместе с файлами.", style="red bold"
|
||||
)
|
||||
console.print("Флаги меню нельзя использовать вместе с файлами.", style="red bold")
|
||||
raise SystemExit(2)
|
||||
if sys.platform != "win32":
|
||||
console.print(
|
||||
"Пункт меню SendTo доступен только на Windows.", style="red bold"
|
||||
)
|
||||
console.print("Пункт меню SendTo доступен только на Windows.", style="red bold")
|
||||
raise SystemExit(1)
|
||||
|
||||
try:
|
||||
if install_menu:
|
||||
cmd_path = install_context_menu()
|
||||
console.print(f'Пункт меню установлен: "{cmd_path}"', style="green")
|
||||
console.print(f"Пункт меню установлен: \"{cmd_path}\"", style="green")
|
||||
else:
|
||||
cmd_path = uninstall_context_menu()
|
||||
if cmd_path is None:
|
||||
console.print("Пункт меню не был установлен.", style="yellow")
|
||||
else:
|
||||
console.print(f'Пункт меню удалён: "{cmd_path}"', style="green")
|
||||
console.print(f"Пункт меню удалён: \"{cmd_path}\"", style="green")
|
||||
except RuntimeError as exc:
|
||||
console.print(f"Ошибка: {exc}", style="red bold")
|
||||
raise SystemExit(1)
|
||||
@@ -301,12 +203,7 @@ def main(
|
||||
|
||||
try:
|
||||
config = load_config()
|
||||
cli_values = {
|
||||
"model": model,
|
||||
"language": language,
|
||||
"device": device,
|
||||
"compute_type": compute_type,
|
||||
}
|
||||
cli_values = {"model": model, "language": language, "device": device, "compute_type": compute_type}
|
||||
defaults = resolve_defaults(cli_values, config)
|
||||
|
||||
resolved_device = detect_device(defaults["device"])
|
||||
@@ -321,33 +218,13 @@ def main(
|
||||
|
||||
is_batch = len(expanded) > 1
|
||||
if is_batch and output is not None:
|
||||
console.print(
|
||||
"--output несовместим с несколькими файлами.", style="red bold"
|
||||
)
|
||||
console.print("--output несовместим с несколькими файлами.", style="red bold")
|
||||
raise SystemExit(1)
|
||||
|
||||
if is_batch:
|
||||
_run_batch(
|
||||
expanded,
|
||||
defaults,
|
||||
verbose,
|
||||
force,
|
||||
ct_explicit,
|
||||
cpu_threads=threads,
|
||||
diarize=diarize or speakers is not None,
|
||||
speakers=speakers,
|
||||
)
|
||||
_run_batch(expanded, defaults, verbose, force, ct_explicit, cpu_threads=threads)
|
||||
else:
|
||||
_run_single(
|
||||
expanded[0],
|
||||
defaults,
|
||||
output,
|
||||
verbose,
|
||||
ct_explicit,
|
||||
cpu_threads=threads,
|
||||
diarize=diarize or speakers is not None,
|
||||
speakers=speakers,
|
||||
)
|
||||
_run_single(expanded[0], defaults, output, verbose, ct_explicit, cpu_threads=threads)
|
||||
except KeyboardInterrupt:
|
||||
console.print("\nПрервано пользователем.", style="yellow")
|
||||
raise SystemExit(130)
|
||||
@@ -373,7 +250,9 @@ def main(
|
||||
console.print_exception()
|
||||
else:
|
||||
console.print(f"Ошибка: {exc}", style="red bold")
|
||||
console.print("Запустите с --verbose для полного traceback.", style="dim")
|
||||
console.print(
|
||||
"Запустите с --verbose для полного traceback.", style="dim"
|
||||
)
|
||||
raise SystemExit(1)
|
||||
|
||||
|
||||
@@ -384,8 +263,6 @@ def _run_single(
|
||||
verbose: bool,
|
||||
compute_type_explicit: bool = False,
|
||||
cpu_threads: int = 0,
|
||||
diarize: bool = False,
|
||||
speakers: int | None = None,
|
||||
) -> None:
|
||||
"""Пайплайн одного файла: валидация → модель → транскрипция → запись."""
|
||||
start = time.monotonic()
|
||||
@@ -402,18 +279,12 @@ def _run_single(
|
||||
console.print(f" [{seg.start:.2f}s] {seg.text.strip()}")
|
||||
|
||||
model_obj, actual_device, backend, model_path = load_model(
|
||||
defaults["model"],
|
||||
resolved_device,
|
||||
defaults["compute_type"],
|
||||
on_status=lambda msg: console.print(msg),
|
||||
strict_device=strict,
|
||||
defaults["model"], resolved_device, defaults["compute_type"],
|
||||
on_status=lambda msg: console.print(msg), strict_device=strict,
|
||||
compute_type_explicit=compute_type_explicit,
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
actual_ct = (
|
||||
getattr(backend, "actual_compute_type", defaults["compute_type"])
|
||||
or defaults["compute_type"]
|
||||
)
|
||||
actual_ct = getattr(backend, "actual_compute_type", defaults["compute_type"]) or defaults["compute_type"]
|
||||
console.print(
|
||||
f"Модель: [bold]{defaults['model']}[/bold] "
|
||||
f"Устройство: [bold]{actual_device}[/bold] "
|
||||
@@ -425,18 +296,6 @@ def _run_single(
|
||||
style="dim",
|
||||
)
|
||||
|
||||
speaker_diarizer = None
|
||||
if diarize:
|
||||
if not backend.word_timestamps_available:
|
||||
raise ValueError(
|
||||
"Выбранный движок или модель не поддерживает пословные таймкоды"
|
||||
)
|
||||
speaker_diarizer = load_speaker_diarizer(
|
||||
speakers=speakers,
|
||||
threads=cpu_threads,
|
||||
on_status=lambda message: console.print(message),
|
||||
)
|
||||
|
||||
with Status("Подготавливаю запуск...", console=console) as status:
|
||||
tfr = _transcribe_file(
|
||||
model=model_obj,
|
||||
@@ -454,31 +313,6 @@ def _run_single(
|
||||
)
|
||||
|
||||
result = tfr.result
|
||||
speaker_transcript = None
|
||||
diarization_warning = None
|
||||
diarization_degraded = False
|
||||
if speaker_diarizer is not None and result.segments:
|
||||
with Status("Определяю говорящих...", console=console) as status:
|
||||
speaker_transcript, diarization_warning, diarization_run = _diarize_result(
|
||||
validated_file,
|
||||
result,
|
||||
speaker_diarizer,
|
||||
on_status=(
|
||||
(lambda message: console.print(message))
|
||||
if verbose
|
||||
else status.update
|
||||
),
|
||||
)
|
||||
diarization_degraded = diarization_warning is not None
|
||||
if diarization_run is not None and speaker_transcript is not None:
|
||||
_print_diarization_report(
|
||||
speaker_transcript,
|
||||
diarization_run,
|
||||
verbose,
|
||||
)
|
||||
|
||||
if diarization_warning is not None:
|
||||
console.print(f"Внимание: {diarization_warning}", style="yellow")
|
||||
|
||||
if tfr.actual_device != resolved_device:
|
||||
if requested_device == "auto":
|
||||
@@ -494,10 +328,9 @@ def _run_single(
|
||||
)
|
||||
|
||||
if len(result.segments) == 0:
|
||||
message = f"Речь не обнаружена в файле {validated_file.name}"
|
||||
if speaker_diarizer is not None:
|
||||
message += "; диаризация не запускалась"
|
||||
console.print(message, style="yellow")
|
||||
console.print(
|
||||
f"Речь не обнаружена в файле {validated_file.name}", style="yellow"
|
||||
)
|
||||
|
||||
device_info = _format_device_info(result.device_used)
|
||||
language_mode = _format_language_mode(defaults["language"], result)
|
||||
@@ -508,17 +341,13 @@ def _run_single(
|
||||
model_name=defaults["model"],
|
||||
device_info=device_info,
|
||||
language_mode=language_mode,
|
||||
speaker_transcript=speaker_transcript,
|
||||
diarization_warning=diarization_warning,
|
||||
)
|
||||
write_transcript(content, output_path)
|
||||
|
||||
elapsed = time.monotonic() - start
|
||||
console.print(f'Транскрипт сохранён: "{output_path}"', style="green")
|
||||
console.print(f"Транскрипт сохранён: \"{output_path}\"", style="green")
|
||||
console.print(f" Сегментов: {len(result.segments)} Время: {elapsed:.1f}с")
|
||||
_print_quality_warnings(result)
|
||||
if diarization_degraded:
|
||||
raise SystemExit(1)
|
||||
|
||||
|
||||
def _run_batch(
|
||||
@@ -528,8 +357,6 @@ def _run_batch(
|
||||
force: bool,
|
||||
compute_type_explicit: bool = False,
|
||||
cpu_threads: int = 0,
|
||||
diarize: bool = False,
|
||||
speakers: int | None = None,
|
||||
) -> None:
|
||||
"""Трёхфазный батч-пайплайн: prescan → загрузка модели → транскрипция."""
|
||||
# Phase 1: Prescan — fail-fast + skip до загрузки модели (экономим ~2-5 сек)
|
||||
@@ -552,7 +379,9 @@ def _run_batch(
|
||||
to_process.append(validated)
|
||||
|
||||
if not to_process:
|
||||
console.print(f"\nИтого: 0 обработано, {skipped} пропущено, {invalid} ошибок")
|
||||
console.print(
|
||||
f"\nИтого: 0 обработано, {skipped} пропущено, {invalid} ошибок"
|
||||
)
|
||||
if invalid > 0:
|
||||
raise SystemExit(1)
|
||||
return
|
||||
@@ -562,11 +391,8 @@ def _run_batch(
|
||||
resolved_device = detect_device(requested_device)
|
||||
strict = requested_device != "auto"
|
||||
model_obj, actual_device, backend, model_path = load_model(
|
||||
defaults["model"],
|
||||
resolved_device,
|
||||
defaults["compute_type"],
|
||||
on_status=lambda msg: console.print(msg),
|
||||
strict_device=strict,
|
||||
defaults["model"], resolved_device, defaults["compute_type"],
|
||||
on_status=lambda msg: console.print(msg), strict_device=strict,
|
||||
compute_type_explicit=compute_type_explicit,
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
@@ -590,21 +416,8 @@ def _run_batch(
|
||||
style="yellow",
|
||||
)
|
||||
|
||||
speaker_diarizer = None
|
||||
if diarize:
|
||||
if not backend.word_timestamps_available:
|
||||
raise ValueError(
|
||||
"Выбранный движок или модель не поддерживает пословные таймкоды"
|
||||
)
|
||||
speaker_diarizer = load_speaker_diarizer(
|
||||
speakers=speakers,
|
||||
threads=cpu_threads,
|
||||
on_status=lambda message: console.print(message),
|
||||
)
|
||||
|
||||
# Phase 3: Transcribe
|
||||
processed = 0
|
||||
degraded = 0
|
||||
failed = 0
|
||||
batch_start = time.monotonic()
|
||||
|
||||
@@ -626,13 +439,9 @@ def _run_batch(
|
||||
file_path=file,
|
||||
model_name=defaults["model"],
|
||||
compute_type=defaults["compute_type"],
|
||||
language=defaults["language"]
|
||||
if defaults["language"] != "auto"
|
||||
else None,
|
||||
language=defaults["language"] if defaults["language"] != "auto" else None,
|
||||
on_segment=on_segment if verbose else None,
|
||||
on_status=status.update
|
||||
if not verbose
|
||||
else lambda msg: console.print(msg),
|
||||
on_status=status.update if not verbose else lambda msg: console.print(msg),
|
||||
strict_device=strict,
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
@@ -650,44 +459,11 @@ def _run_batch(
|
||||
|
||||
result = tfr.result
|
||||
language_mode = _format_language_mode(defaults["language"], result)
|
||||
speaker_transcript = None
|
||||
diarization_warning = None
|
||||
file_degraded = False
|
||||
|
||||
if speaker_diarizer is not None and result.segments:
|
||||
with Status("Определяю говорящих...", console=console) as status:
|
||||
speaker_transcript, diarization_warning, diarization_run = (
|
||||
_diarize_result(
|
||||
file,
|
||||
result,
|
||||
speaker_diarizer,
|
||||
on_status=(
|
||||
(lambda message: console.print(message))
|
||||
if verbose
|
||||
else status.update
|
||||
),
|
||||
)
|
||||
)
|
||||
file_degraded = diarization_warning is not None
|
||||
if diarization_run is not None and speaker_transcript is not None:
|
||||
_print_diarization_report(
|
||||
speaker_transcript,
|
||||
diarization_run,
|
||||
verbose,
|
||||
file_name=file.name,
|
||||
)
|
||||
|
||||
if diarization_warning is not None:
|
||||
console.print(
|
||||
f" {file.name}: {diarization_warning}",
|
||||
style="yellow",
|
||||
)
|
||||
|
||||
if len(result.segments) == 0:
|
||||
message = f" Речь не обнаружена: {file.name}"
|
||||
if speaker_diarizer is not None:
|
||||
message += "; диаризация не запускалась"
|
||||
console.print(message, style="yellow")
|
||||
console.print(
|
||||
f" Речь не обнаружена: {file.name}", style="yellow"
|
||||
)
|
||||
|
||||
device_info = _format_device_info(result.device_used)
|
||||
|
||||
@@ -697,8 +473,6 @@ def _run_batch(
|
||||
model_name=defaults["model"],
|
||||
device_info=device_info,
|
||||
language_mode=language_mode,
|
||||
speaker_transcript=speaker_transcript,
|
||||
diarization_warning=diarization_warning,
|
||||
)
|
||||
write_transcript(content, build_output_path(file))
|
||||
file_elapsed = time.monotonic() - file_start
|
||||
@@ -708,8 +482,6 @@ def _run_batch(
|
||||
style="green",
|
||||
)
|
||||
processed += 1
|
||||
if file_degraded:
|
||||
degraded += 1
|
||||
_print_quality_warnings(result, file.name)
|
||||
except KeyboardInterrupt:
|
||||
raise
|
||||
@@ -723,11 +495,10 @@ def _run_batch(
|
||||
total_failed = invalid + failed
|
||||
batch_elapsed = time.monotonic() - batch_start
|
||||
console.print(
|
||||
f"\nИтого: {processed} обработано, {skipped} пропущено, "
|
||||
f"{degraded} с деградацией, {total_failed} ошибок"
|
||||
f"\nИтого: {processed} обработано, {skipped} пропущено, {total_failed} ошибок"
|
||||
f" Время: {batch_elapsed:.1f}с"
|
||||
)
|
||||
if total_failed > 0 or degraded > 0:
|
||||
if total_failed > 0:
|
||||
raise SystemExit(1)
|
||||
|
||||
|
||||
|
||||
@@ -1,131 +0,0 @@
|
||||
"""Сведение слов с временной привязкой и разметки говорящих."""
|
||||
|
||||
from collections import defaultdict
|
||||
from math import isclose
|
||||
from unicodedata import category
|
||||
|
||||
from .types import (
|
||||
SmallSpeakerCluster,
|
||||
SpeakerInterval,
|
||||
SpeakerTranscript,
|
||||
SpeakerTurn,
|
||||
Word,
|
||||
)
|
||||
|
||||
_PAUSE_THRESHOLD_S = 2.0
|
||||
_MAX_TURN_S = 60.0
|
||||
|
||||
|
||||
def build_speaker_transcript(
|
||||
words: list[Word],
|
||||
intervals: list[SpeakerInterval],
|
||||
recording_duration: float,
|
||||
) -> SpeakerTranscript:
|
||||
"""Назначает словам говорящих и собирает линейные реплики."""
|
||||
cluster_numbers: dict[int, int] = {}
|
||||
assigned: list[tuple[Word, int | None]] = []
|
||||
unassigned = 0
|
||||
|
||||
for word in words:
|
||||
speaker_cluster = _assign_cluster(word, intervals)
|
||||
if speaker_cluster is None:
|
||||
speaker = None
|
||||
unassigned += 1
|
||||
else:
|
||||
speaker = cluster_numbers.setdefault(
|
||||
speaker_cluster,
|
||||
len(cluster_numbers) + 1,
|
||||
)
|
||||
assigned.append((word, speaker))
|
||||
|
||||
return SpeakerTranscript(
|
||||
turns=_group_words(assigned),
|
||||
cluster_count=len({interval.cluster for interval in intervals}),
|
||||
unassigned_word_count=unassigned,
|
||||
small_clusters=_find_small_clusters(
|
||||
intervals,
|
||||
cluster_numbers,
|
||||
recording_duration,
|
||||
),
|
||||
)
|
||||
|
||||
|
||||
def _assign_cluster(word: Word, intervals: list[SpeakerInterval]) -> int | None:
|
||||
overlaps: defaultdict[int, float] = defaultdict(float)
|
||||
for interval in intervals:
|
||||
overlap = min(word.end, interval.end) - max(word.start, interval.start)
|
||||
if overlap > 0:
|
||||
overlaps[interval.cluster] += overlap
|
||||
|
||||
if not overlaps:
|
||||
return None
|
||||
largest = max(overlaps.values())
|
||||
winners = [
|
||||
cluster
|
||||
for cluster, overlap in overlaps.items()
|
||||
if isclose(overlap, largest, rel_tol=1e-9, abs_tol=1e-9)
|
||||
]
|
||||
return winners[0] if len(winners) == 1 else None
|
||||
|
||||
|
||||
def _group_words(assigned: list[tuple[Word, int | None]]) -> list[SpeakerTurn]:
|
||||
if not assigned:
|
||||
return []
|
||||
|
||||
turns: list[SpeakerTurn] = []
|
||||
first_word, current_speaker = assigned[0]
|
||||
start = first_word.start
|
||||
end = first_word.end
|
||||
text = first_word.text
|
||||
|
||||
for word, speaker in assigned[1:]:
|
||||
should_split = (
|
||||
speaker != current_speaker
|
||||
or word.start - end >= _PAUSE_THRESHOLD_S
|
||||
or word.end - start > _MAX_TURN_S
|
||||
)
|
||||
if should_split:
|
||||
turns.append(
|
||||
SpeakerTurn(start, end, _normalize_turn_text(text), current_speaker)
|
||||
)
|
||||
start = word.start
|
||||
text = word.text
|
||||
current_speaker = speaker
|
||||
else:
|
||||
text = _append_word_text(text, word.text)
|
||||
end = word.end
|
||||
|
||||
turns.append(SpeakerTurn(start, end, _normalize_turn_text(text), current_speaker))
|
||||
return turns
|
||||
|
||||
|
||||
def _append_word_text(current: str, word_text: str) -> str:
|
||||
if not current or not word_text or word_text[:1].isspace():
|
||||
return current + word_text
|
||||
if category(word_text[0])[:1] in {"P", "S"}:
|
||||
return current + word_text
|
||||
return f"{current} {word_text}"
|
||||
|
||||
|
||||
def _normalize_turn_text(text: str) -> str:
|
||||
return " ".join(text.split())
|
||||
|
||||
|
||||
def _find_small_clusters(
|
||||
intervals: list[SpeakerInterval],
|
||||
cluster_numbers: dict[int, int],
|
||||
recording_duration: float,
|
||||
) -> list[SmallSpeakerCluster]:
|
||||
durations: defaultdict[int, float] = defaultdict(float)
|
||||
for interval in intervals:
|
||||
durations[interval.cluster] += max(0.0, interval.end - interval.start)
|
||||
|
||||
threshold = max(5.0, recording_duration * 0.02)
|
||||
return [
|
||||
SmallSpeakerCluster(
|
||||
speaker=cluster_numbers.get(cluster),
|
||||
duration=duration,
|
||||
)
|
||||
for cluster, duration in durations.items()
|
||||
if duration < threshold
|
||||
]
|
||||
@@ -5,7 +5,7 @@ from datetime import datetime
|
||||
from pathlib import Path
|
||||
|
||||
from .quality import TAIL_GAP_WARN_S, find_repetition_blocks, tail_gap
|
||||
from .types import Segment, SpeakerTranscript, TranscribeResult
|
||||
from .types import Segment, TranscribeResult
|
||||
|
||||
_PAUSE_THRESHOLD_S = 2.0 # пауза между сегментами для разбиения на абзацы
|
||||
_MAX_PARAGRAPH_S = 60.0 # максимальная длительность абзаца
|
||||
@@ -88,18 +88,6 @@ def format_duration(seconds: float) -> str:
|
||||
return f"{m:02d}:{s:02d}"
|
||||
|
||||
|
||||
def _format_speaker_timestamp(seconds: float, use_hours: bool) -> str:
|
||||
total_seconds = int(seconds)
|
||||
if use_hours:
|
||||
hours = total_seconds // 3600
|
||||
minutes = (total_seconds % 3600) // 60
|
||||
secs = total_seconds % 60
|
||||
return f"{hours:02d}:{minutes:02d}:{secs:02d}"
|
||||
minutes = total_seconds // 60
|
||||
secs = total_seconds % 60
|
||||
return f"{minutes:02d}:{secs:02d}"
|
||||
|
||||
|
||||
def format_transcript(
|
||||
result: TranscribeResult,
|
||||
source_filename: str,
|
||||
@@ -107,8 +95,6 @@ def format_transcript(
|
||||
device_info: str,
|
||||
language_mode: str, # см. LANGUAGE_MODES
|
||||
transcription_date: datetime | None = None, # None -> datetime.now()
|
||||
speaker_transcript: SpeakerTranscript | None = None,
|
||||
diarization_warning: str | None = None,
|
||||
) -> str:
|
||||
"""Собирает markdown-транскрипт: шапка с метаданными + абзацы с таймкодами."""
|
||||
date = transcription_date or datetime.now()
|
||||
@@ -137,24 +123,6 @@ def format_transcript(
|
||||
f"- **Внимание**: повторы в [{start} - {end}] ({block.count}×) "
|
||||
"— возможны галлюцинации модели"
|
||||
)
|
||||
if speaker_transcript is not None:
|
||||
lines.append(f"- **Голосовых кластеров**: {speaker_transcript.cluster_count}")
|
||||
if speaker_transcript.unassigned_word_count:
|
||||
lines.append(
|
||||
"- **Внимание**: "
|
||||
f"{speaker_transcript.unassigned_word_count} слов без назначенного говорящего"
|
||||
)
|
||||
for cluster in speaker_transcript.small_clusters:
|
||||
label = (
|
||||
f"Speaker {cluster.speaker}"
|
||||
if cluster.speaker is not None
|
||||
else "кластер без номера"
|
||||
)
|
||||
lines.append(
|
||||
f"- **Внимание**: малый кластер {label}: {cluster.duration:.1f} с"
|
||||
)
|
||||
if diarization_warning is not None:
|
||||
lines.append(f"- **Внимание**: {diarization_warning}")
|
||||
lines.append(f"- **Устройство**: {device_info}")
|
||||
lines.append("")
|
||||
lines.append("---")
|
||||
@@ -162,12 +130,6 @@ def format_transcript(
|
||||
if not result.segments:
|
||||
lines.append("")
|
||||
lines.append("*Речь не обнаружена.*")
|
||||
elif speaker_transcript is not None and speaker_transcript.cluster_count >= 2:
|
||||
for turn in speaker_transcript.turns:
|
||||
timestamp = _format_speaker_timestamp(turn.start, use_hours)
|
||||
speaker = turn.speaker if turn.speaker is not None else "?"
|
||||
lines.append("")
|
||||
lines.append(f"[{timestamp}] Speaker {speaker}: {turn.text}")
|
||||
else:
|
||||
for para in _group_segments(result.segments):
|
||||
start = format_timestamp(para.start, use_hours=use_hours)
|
||||
|
||||
@@ -1,222 +0,0 @@
|
||||
"""Адаптер офлайн-диаризации через sherpa-onnx."""
|
||||
|
||||
import shutil
|
||||
import tarfile
|
||||
from hashlib import sha256
|
||||
from pathlib import Path
|
||||
from tempfile import NamedTemporaryFile
|
||||
from time import perf_counter
|
||||
from typing import Any
|
||||
|
||||
from .types import DiarizationRun, SpeakerInterval, StatusCallback
|
||||
|
||||
_SAMPLE_RATE = 16_000
|
||||
_CLUSTERING_THRESHOLD = 0.89
|
||||
_SEGMENTATION_FILENAME = "pyannote-segmentation-3.0.onnx"
|
||||
_EMBEDDING_FILENAME = "wespeaker_en_voxceleb_resnet34_LM.onnx"
|
||||
_SEGMENTATION_SHA256 = (
|
||||
"220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079"
|
||||
)
|
||||
_EMBEDDING_SHA256 = "e9848563da86f263117134dfd7ad63c92355b37de492b55e325400c9d9c39012"
|
||||
_SEGMENTATION_URL = (
|
||||
"https://github.com/k2-fsa/sherpa-onnx/releases/download/"
|
||||
"speaker-segmentation-models/"
|
||||
"sherpa-onnx-pyannote-segmentation-3-0.tar.bz2"
|
||||
)
|
||||
_SEGMENTATION_ARCHIVE_MEMBER = "sherpa-onnx-pyannote-segmentation-3-0/model.onnx"
|
||||
_EMBEDDING_URL = (
|
||||
"https://github.com/k2-fsa/sherpa-onnx/releases/download/"
|
||||
"speaker-recongition-models/wespeaker_en_voxceleb_resnet34_LM.onnx"
|
||||
)
|
||||
|
||||
|
||||
class SpeakerDiarizer:
|
||||
"""Переиспользуемый в пределах команды диаризатор."""
|
||||
|
||||
def __init__(self, engine: Any):
|
||||
self._engine = engine
|
||||
|
||||
def process(
|
||||
self,
|
||||
file_path: Path,
|
||||
on_status: StatusCallback = None,
|
||||
) -> DiarizationRun:
|
||||
"""Строит разметку говорящих для одного файла."""
|
||||
from faster_whisper import decode_audio
|
||||
|
||||
if on_status is not None:
|
||||
on_status("Загружаю аудио для диаризации...")
|
||||
samples = decode_audio(str(file_path), sampling_rate=_SAMPLE_RATE)
|
||||
if isinstance(samples, tuple):
|
||||
raise TypeError("Декодер неожиданно вернул раздельные стереоканалы")
|
||||
if on_status is not None:
|
||||
on_status("Определяю говорящих...")
|
||||
|
||||
started = perf_counter()
|
||||
if on_status is None:
|
||||
result = self._engine.process(samples)
|
||||
else:
|
||||
|
||||
def report_progress(processed: int, total: int) -> int:
|
||||
on_status(f"Определяю говорящих... {processed} / {total}")
|
||||
return 0
|
||||
|
||||
result = self._engine.process(samples, report_progress)
|
||||
elapsed = perf_counter() - started
|
||||
intervals = [
|
||||
SpeakerInterval(
|
||||
start=float(segment.start),
|
||||
end=float(segment.end),
|
||||
cluster=int(segment.speaker),
|
||||
)
|
||||
for segment in result.sort_by_start_time()
|
||||
]
|
||||
return DiarizationRun(intervals=intervals, elapsed_seconds=elapsed)
|
||||
|
||||
|
||||
def load_speaker_diarizer(
|
||||
speakers: int | None,
|
||||
threads: int = 0,
|
||||
on_status: StatusCallback = None,
|
||||
) -> SpeakerDiarizer:
|
||||
"""Проверяет модели и создаёт batch-owned диаризатор."""
|
||||
import sherpa_onnx
|
||||
from huggingface_hub import cached_assets_path
|
||||
|
||||
cache_dir = cached_assets_path(
|
||||
library_name="local-transcriber",
|
||||
namespace="diarization",
|
||||
subfolder="models-v1",
|
||||
)
|
||||
segmentation_path = cache_dir / _SEGMENTATION_FILENAME
|
||||
embedding_path = cache_dir / _EMBEDDING_FILENAME
|
||||
_ensure_cached_model(
|
||||
segmentation_path,
|
||||
_SEGMENTATION_SHA256,
|
||||
_SEGMENTATION_URL,
|
||||
on_status,
|
||||
archive_member=_SEGMENTATION_ARCHIVE_MEMBER,
|
||||
)
|
||||
_ensure_cached_model(
|
||||
embedding_path,
|
||||
_EMBEDDING_SHA256,
|
||||
_EMBEDDING_URL,
|
||||
on_status,
|
||||
)
|
||||
|
||||
if on_status is not None:
|
||||
on_status("Инициализирую диаризатор...")
|
||||
|
||||
segmentation_kwargs: dict[str, Any] = {
|
||||
"pyannote": sherpa_onnx.OfflineSpeakerSegmentationPyannoteModelConfig(
|
||||
model=str(segmentation_path)
|
||||
),
|
||||
"provider": "cpu",
|
||||
}
|
||||
embedding_kwargs: dict[str, Any] = {
|
||||
"model": str(embedding_path),
|
||||
"provider": "cpu",
|
||||
}
|
||||
if threads > 0:
|
||||
segmentation_kwargs["num_threads"] = threads
|
||||
embedding_kwargs["num_threads"] = threads
|
||||
|
||||
config = sherpa_onnx.OfflineSpeakerDiarizationConfig(
|
||||
segmentation=sherpa_onnx.OfflineSpeakerSegmentationModelConfig(
|
||||
**segmentation_kwargs
|
||||
),
|
||||
embedding=sherpa_onnx.SpeakerEmbeddingExtractorConfig(**embedding_kwargs),
|
||||
clustering=sherpa_onnx.FastClusteringConfig(
|
||||
num_clusters=speakers if speakers is not None else -1,
|
||||
threshold=_CLUSTERING_THRESHOLD,
|
||||
),
|
||||
min_duration_on=0.3,
|
||||
min_duration_off=0.5,
|
||||
)
|
||||
if not config.validate():
|
||||
raise RuntimeError("Конфигурация диаризатора недействительна")
|
||||
|
||||
engine = sherpa_onnx.OfflineSpeakerDiarization(config)
|
||||
if engine.sample_rate != _SAMPLE_RATE:
|
||||
raise RuntimeError(
|
||||
f"Диаризатор ожидает частоту {engine.sample_rate} Гц вместо {_SAMPLE_RATE} Гц"
|
||||
)
|
||||
return SpeakerDiarizer(engine)
|
||||
|
||||
|
||||
def _ensure_cached_model(
|
||||
path: Path,
|
||||
expected_sha256: str,
|
||||
url: str,
|
||||
on_status: StatusCallback,
|
||||
archive_member: str | None = None,
|
||||
) -> None:
|
||||
if path.is_file() and _file_sha256(path) == expected_sha256:
|
||||
return
|
||||
|
||||
import httpx
|
||||
|
||||
path.parent.mkdir(parents=True, exist_ok=True)
|
||||
if on_status is not None:
|
||||
on_status(f"Скачиваю модель диаризации {path.name}...")
|
||||
|
||||
download_path = _temporary_path(path)
|
||||
extracted_path: Path | None = None
|
||||
try:
|
||||
with (
|
||||
httpx.stream("GET", url, follow_redirects=True, timeout=60.0) as response,
|
||||
download_path.open("wb") as output,
|
||||
):
|
||||
response.raise_for_status()
|
||||
for chunk in response.iter_bytes():
|
||||
output.write(chunk)
|
||||
|
||||
candidate = download_path
|
||||
if archive_member is not None:
|
||||
extracted_path = _temporary_path(path)
|
||||
with tarfile.open(download_path, mode="r:bz2") as archive:
|
||||
try:
|
||||
member = archive.getmember(archive_member)
|
||||
except KeyError as exc:
|
||||
raise RuntimeError(
|
||||
f"В архиве модели отсутствует {archive_member}"
|
||||
) from exc
|
||||
if not member.isfile():
|
||||
raise RuntimeError(
|
||||
f"Элемент архива модели не является файлом: {archive_member}"
|
||||
)
|
||||
source = archive.extractfile(member)
|
||||
if source is None:
|
||||
raise RuntimeError(f"Не удалось прочитать {archive_member}")
|
||||
with source, extracted_path.open("wb") as output:
|
||||
shutil.copyfileobj(source, output)
|
||||
candidate = extracted_path
|
||||
|
||||
actual_sha256 = _file_sha256(candidate)
|
||||
if actual_sha256 != expected_sha256:
|
||||
raise RuntimeError(
|
||||
f"Контрольная сумма модели {path.name} не совпала: {actual_sha256}"
|
||||
)
|
||||
candidate.replace(path)
|
||||
finally:
|
||||
download_path.unlink(missing_ok=True)
|
||||
if extracted_path is not None:
|
||||
extracted_path.unlink(missing_ok=True)
|
||||
|
||||
|
||||
def _temporary_path(target: Path) -> Path:
|
||||
with NamedTemporaryFile(
|
||||
dir=target.parent,
|
||||
prefix=f".{target.name}.",
|
||||
suffix=".tmp",
|
||||
delete=False,
|
||||
) as temporary:
|
||||
return Path(temporary.name)
|
||||
|
||||
|
||||
def _file_sha256(path: Path) -> str:
|
||||
digest = sha256()
|
||||
with path.open("rb") as stream:
|
||||
for chunk in iter(lambda: stream.read(1024 * 1024), b""):
|
||||
digest.update(chunk)
|
||||
return digest.hexdigest()
|
||||
@@ -12,7 +12,6 @@ from local_transcriber.types import ( # noqa: F401
|
||||
Segment,
|
||||
TranscribeFileResult,
|
||||
TranscribeResult,
|
||||
WordTimestampsUnavailableError,
|
||||
)
|
||||
|
||||
|
||||
@@ -38,36 +37,27 @@ def load_model(
|
||||
|
||||
try:
|
||||
_notify_status(on_status, f"Инициализирую модель на {device}...")
|
||||
model = backend.create_model(
|
||||
model_path, device, compute_type, cpu_threads=cpu_threads
|
||||
)
|
||||
model = backend.create_model(model_path, device, compute_type, cpu_threads=cpu_threads)
|
||||
# Резолвим actual_device по реальному OpenVINO device
|
||||
ov_dev = getattr(backend, "actual_ov_device", None)
|
||||
if ov_dev == "GPU" and actual_device != "openvino-gpu":
|
||||
actual_device = "openvino-gpu"
|
||||
elif (
|
||||
ov_dev == "CPU"
|
||||
and actual_device.startswith("openvino")
|
||||
and actual_device != "openvino-cpu"
|
||||
):
|
||||
elif ov_dev == "CPU" and actual_device.startswith("openvino") and actual_device != "openvino-cpu":
|
||||
actual_device = "openvino-cpu"
|
||||
except (RuntimeError, ValueError) as exc:
|
||||
if device != "cpu" and _is_backend_error(exc, device):
|
||||
if strict_device:
|
||||
raise
|
||||
warnings.warn(
|
||||
f"Не удалось загрузить модель на {device}: {exc}. Переключение на CPU.",
|
||||
f"Не удалось загрузить модель на {device}: {exc}. "
|
||||
"Переключение на CPU.",
|
||||
stacklevel=2,
|
||||
)
|
||||
actual_device = "cpu"
|
||||
backend = get_backend("cpu")
|
||||
model_path = backend.ensure_model_available(
|
||||
model_name, compute_type, on_status
|
||||
)
|
||||
model_path = backend.ensure_model_available(model_name, compute_type, on_status)
|
||||
_notify_status(on_status, "Инициализирую модель на cpu...")
|
||||
model = backend.create_model(
|
||||
model_path, "cpu", compute_type, cpu_threads=cpu_threads
|
||||
)
|
||||
model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
|
||||
else:
|
||||
raise
|
||||
|
||||
@@ -106,17 +96,11 @@ def _transcribe_file(
|
||||
)
|
||||
actual_device = "cpu"
|
||||
backend = get_backend("cpu")
|
||||
model_path = backend.ensure_model_available(
|
||||
model_name, compute_type, on_status
|
||||
)
|
||||
model_path = backend.ensure_model_available(model_name, compute_type, on_status)
|
||||
_notify_status(on_status, "Инициализирую модель на cpu...")
|
||||
model = backend.create_model(
|
||||
model_path, "cpu", compute_type, cpu_threads=cpu_threads
|
||||
)
|
||||
model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
|
||||
_notify_status(on_status, "Транскрибирую...")
|
||||
result = backend.transcribe(
|
||||
model, file_path, lang_arg, on_segment, on_status
|
||||
)
|
||||
result = backend.transcribe(model, file_path, lang_arg, on_segment, on_status)
|
||||
result.device_used = actual_device
|
||||
else:
|
||||
raise
|
||||
@@ -143,26 +127,14 @@ def transcribe(
|
||||
) -> TranscribeResult:
|
||||
"""High-level API: загрузка модели + транскрипция за один вызов."""
|
||||
model, actual_device, backend, model_path = load_model(
|
||||
model_name,
|
||||
device,
|
||||
compute_type,
|
||||
on_status,
|
||||
strict_device,
|
||||
model_name, device, compute_type, on_status, strict_device,
|
||||
compute_type_explicit=True, # Python API — caller explicitly chose compute_type
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
tfr = _transcribe_file(
|
||||
model,
|
||||
actual_device,
|
||||
backend,
|
||||
model_path,
|
||||
file_path,
|
||||
model_name,
|
||||
compute_type,
|
||||
language,
|
||||
on_segment,
|
||||
on_status,
|
||||
strict_device,
|
||||
model, actual_device, backend, model_path,
|
||||
file_path, model_name, compute_type,
|
||||
language, on_segment, on_status, strict_device,
|
||||
cpu_threads=cpu_threads,
|
||||
)
|
||||
return tfr.result
|
||||
@@ -179,9 +151,7 @@ def ensure_model_available(
|
||||
|
||||
if compute_type is None:
|
||||
device_defs = DEVICE_DEFAULTS.get(device, {})
|
||||
compute_type = device_defs.get(
|
||||
"compute_type", HARDCODED_DEFAULTS["compute_type"]
|
||||
)
|
||||
compute_type = device_defs.get("compute_type", HARDCODED_DEFAULTS["compute_type"])
|
||||
explicit = False
|
||||
else:
|
||||
explicit = True
|
||||
@@ -197,8 +167,6 @@ def _is_cuda_error(exc: BaseException) -> bool:
|
||||
|
||||
def _is_backend_error(exc: BaseException, device: str) -> bool:
|
||||
"""Определяет, связана ли ошибка с конкретным бэкендом (а не с пользовательскими данными)."""
|
||||
if isinstance(exc, WordTimestampsUnavailableError):
|
||||
return False
|
||||
if device in ("cuda", "cpu"):
|
||||
return _is_cuda_error(exc)
|
||||
if device.startswith("openvino"):
|
||||
|
||||
@@ -1,17 +1,13 @@
|
||||
"""Общие типы данных для всех бэкендов транскрипции."""
|
||||
|
||||
from collections.abc import Callable
|
||||
from dataclasses import dataclass, field
|
||||
from dataclasses import dataclass
|
||||
from typing import Any
|
||||
|
||||
# Единый признак «язык неизвестен» для всех бэкендов
|
||||
UNKNOWN_LANGUAGE = "unknown"
|
||||
|
||||
|
||||
class WordTimestampsUnavailableError(RuntimeError):
|
||||
"""ASR распознал текст, но нарушил обязательный пословный контракт."""
|
||||
|
||||
|
||||
@dataclass
|
||||
class Segment:
|
||||
start: float # seconds
|
||||
@@ -19,60 +15,6 @@ class Segment:
|
||||
text: str
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
class Word:
|
||||
"""Слово с временной привязкой на шкале исходной записи."""
|
||||
|
||||
start: float
|
||||
end: float
|
||||
text: str
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
class SpeakerInterval:
|
||||
"""Интервал разметки говорящих с анонимным голосовым кластером."""
|
||||
|
||||
start: float
|
||||
end: float
|
||||
cluster: int
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
class SpeakerTurn:
|
||||
"""Реплика говорящего; ``speaker=None`` означает неизвестного говорящего."""
|
||||
|
||||
start: float
|
||||
end: float
|
||||
text: str
|
||||
speaker: int | None
|
||||
|
||||
|
||||
@dataclass(frozen=True)
|
||||
class SmallSpeakerCluster:
|
||||
"""Малый голосовой кластер, о котором нужно предупредить пользователя."""
|
||||
|
||||
speaker: int | None
|
||||
duration: float
|
||||
|
||||
|
||||
@dataclass
|
||||
class SpeakerTranscript:
|
||||
"""Результат сведения слов с разметкой говорящих."""
|
||||
|
||||
turns: list[SpeakerTurn]
|
||||
cluster_count: int
|
||||
unassigned_word_count: int
|
||||
small_clusters: list[SmallSpeakerCluster]
|
||||
|
||||
|
||||
@dataclass
|
||||
class DiarizationRun:
|
||||
"""Разметка одного файла и длительность прохода диаризации."""
|
||||
|
||||
intervals: list[SpeakerInterval]
|
||||
elapsed_seconds: float
|
||||
|
||||
|
||||
@dataclass
|
||||
class TranscribeResult:
|
||||
segments: list[Segment]
|
||||
@@ -80,7 +22,6 @@ class TranscribeResult:
|
||||
language_probability: float
|
||||
duration: float # seconds
|
||||
device_used: str # "cpu" / "cuda" / "onnx" / "openvino-gpu" / "openvino-cpu"
|
||||
words: list[Word] = field(default_factory=list)
|
||||
|
||||
|
||||
@dataclass
|
||||
|
||||
@@ -1,66 +0,0 @@
|
||||
from types import SimpleNamespace
|
||||
from unittest.mock import MagicMock
|
||||
|
||||
import pytest
|
||||
|
||||
from local_transcriber.backends.faster_whisper import FasterWhisperBackend
|
||||
from local_transcriber.types import Word
|
||||
|
||||
|
||||
def test_transcribe_returns_canonical_words(tmp_path):
|
||||
audio = tmp_path / "audio.wav"
|
||||
raw_word = SimpleNamespace(start=0.2, end=0.7, word=" Привет")
|
||||
raw_segment = SimpleNamespace(
|
||||
start=0.0,
|
||||
end=1.0,
|
||||
text=" Привет",
|
||||
words=[raw_word],
|
||||
)
|
||||
info = SimpleNamespace(duration=1.0, language="ru", language_probability=0.99)
|
||||
model = MagicMock()
|
||||
model.transcribe.return_value = (iter([raw_segment]), info)
|
||||
|
||||
result = FasterWhisperBackend().transcribe(model, audio, language="ru")
|
||||
|
||||
assert result.words == [Word(start=0.2, end=0.7, text=" Привет")]
|
||||
model.transcribe.assert_called_once_with(
|
||||
str(audio),
|
||||
language="ru",
|
||||
word_timestamps=True,
|
||||
)
|
||||
|
||||
|
||||
def test_transcribe_rejects_nonempty_result_without_word_timestamps(tmp_path):
|
||||
raw_segment = SimpleNamespace(
|
||||
start=0.0,
|
||||
end=1.0,
|
||||
text=" Текст есть",
|
||||
words=None,
|
||||
)
|
||||
info = SimpleNamespace(duration=1.0, language="ru", language_probability=1.0)
|
||||
model = MagicMock()
|
||||
model.transcribe.return_value = (iter([raw_segment]), info)
|
||||
|
||||
with pytest.raises(RuntimeError, match="пословные таймкоды"):
|
||||
FasterWhisperBackend().transcribe(model, tmp_path / "audio.wav", "ru")
|
||||
|
||||
|
||||
def test_transcribe_rejects_one_nonempty_segment_without_word_timestamps(tmp_path):
|
||||
timestamped = SimpleNamespace(
|
||||
start=0.0,
|
||||
end=1.0,
|
||||
text=" Первое",
|
||||
words=[SimpleNamespace(start=0.0, end=1.0, word=" Первое")],
|
||||
)
|
||||
missing = SimpleNamespace(
|
||||
start=1.0,
|
||||
end=2.0,
|
||||
text=" Второе",
|
||||
words=None,
|
||||
)
|
||||
info = SimpleNamespace(duration=2.0, language="ru", language_probability=1.0)
|
||||
model = MagicMock()
|
||||
model.transcribe.return_value = (iter([timestamped, missing]), info)
|
||||
|
||||
with pytest.raises(RuntimeError, match="пословные таймкоды"):
|
||||
FasterWhisperBackend().transcribe(model, tmp_path / "audio.wav", "ru")
|
||||
+20
-140
@@ -11,7 +11,8 @@ from local_transcriber.backends.openvino import (
|
||||
OpenVINOBackend,
|
||||
_validate_model_dir,
|
||||
)
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment, Word
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment
|
||||
|
||||
|
||||
# === _resolve_repo ===
|
||||
|
||||
@@ -27,18 +28,12 @@ def test_model_catalog_contains_large_v3_turbo_profiles():
|
||||
|
||||
def test_resolve_repo_exact_match():
|
||||
backend = OpenVINOBackend(compute_type_explicit=True)
|
||||
assert backend._resolve_repo("medium", "int8") == (
|
||||
"OpenVINO/whisper-medium-int8-ov",
|
||||
"int8",
|
||||
)
|
||||
assert backend._resolve_repo("medium", "int8") == ("OpenVINO/whisper-medium-int8-ov", "int8")
|
||||
|
||||
|
||||
def test_resolve_repo_large_v3_fp16():
|
||||
backend = OpenVINOBackend(compute_type_explicit=True)
|
||||
assert backend._resolve_repo("large-v3", "fp16") == (
|
||||
"OpenVINO/whisper-large-v3-fp16-ov",
|
||||
"fp16",
|
||||
)
|
||||
assert backend._resolve_repo("large-v3", "fp16") == ("OpenVINO/whisper-large-v3-fp16-ov", "fp16")
|
||||
|
||||
|
||||
def test_resolve_repo_explicit_unsupported_pair_raises():
|
||||
@@ -58,17 +53,16 @@ def test_resolve_repo_implicit_fallback():
|
||||
"""Неявный compute_type: если int8 недоступен для base, fallback на fp16."""
|
||||
backend = OpenVINOBackend(compute_type_explicit=False)
|
||||
# base + int8 не существует, но base + fp16 есть
|
||||
assert backend._resolve_repo("base", "int8") == (
|
||||
"OpenVINO/whisper-base-fp16-ov",
|
||||
"fp16",
|
||||
)
|
||||
assert backend._resolve_repo("base", "int8") == ("OpenVINO/whisper-base-fp16-ov", "fp16")
|
||||
|
||||
|
||||
@pytest.mark.parametrize(
|
||||
("model_name", "expected_compute_type"),
|
||||
[("large-v3", "fp16"), ("large-v3-turbo", "int8")],
|
||||
)
|
||||
def test_resolve_repo_implicit_large_v3_profiles(model_name, expected_compute_type):
|
||||
def test_resolve_repo_implicit_large_v3_profiles(
|
||||
model_name, expected_compute_type
|
||||
):
|
||||
"""Неявный compute_type различает обычную и turbo-модель."""
|
||||
backend = OpenVINOBackend(compute_type_explicit=False)
|
||||
|
||||
@@ -81,10 +75,7 @@ def test_resolve_repo_implicit_large_v3_profiles(model_name, expected_compute_ty
|
||||
def test_resolve_repo_explicit_large_v3_int8_respected():
|
||||
"""Явный --compute-type int8 для large-v3 → уважается."""
|
||||
backend = OpenVINOBackend(compute_type_explicit=True)
|
||||
assert backend._resolve_repo("large-v3", "int8") == (
|
||||
"OpenVINO/whisper-large-v3-int8-ov",
|
||||
"int8",
|
||||
)
|
||||
assert backend._resolve_repo("large-v3", "int8") == ("OpenVINO/whisper-large-v3-int8-ov", "int8")
|
||||
|
||||
|
||||
@pytest.mark.parametrize("compute_type", ["int8", "fp16"])
|
||||
@@ -116,7 +107,6 @@ def test_ensure_model_available_cache_hit(mock_download, tmp_path):
|
||||
model_dir.mkdir()
|
||||
(model_dir / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "openvino_decoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "generation_config.json").write_text('{"alignment_heads": [[1, 2]]}')
|
||||
mock_download.return_value = str(model_dir)
|
||||
|
||||
backend = OpenVINOBackend(compute_type_explicit=True)
|
||||
@@ -135,7 +125,6 @@ def test_ensure_model_available_downloads(mock_download, tmp_path):
|
||||
model_dir.mkdir()
|
||||
(model_dir / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "openvino_decoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "generation_config.json").write_text('{"alignment_heads": [[1, 2]]}')
|
||||
|
||||
mock_download.side_effect = [
|
||||
LocalEntryNotFoundError("not cached"),
|
||||
@@ -156,7 +145,6 @@ def test_large_v3_turbo_model_is_resolved_and_created(mock_download, tmp_path):
|
||||
model_dir.mkdir()
|
||||
(model_dir / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "openvino_decoder_model.xml").write_text("<xml/>")
|
||||
(model_dir / "generation_config.json").write_text('{"alignment_heads": [[1, 2]]}')
|
||||
mock_download.return_value = str(model_dir)
|
||||
mock_ov = MagicMock()
|
||||
|
||||
@@ -169,28 +157,12 @@ def test_large_v3_turbo_model_is_resolved_and_created(mock_download, tmp_path):
|
||||
"OpenVINO/whisper-large-v3-turbo-int8-ov",
|
||||
local_files_only=True,
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
str(model_dir), "CPU", word_timestamps=True
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(str(model_dir), "CPU")
|
||||
|
||||
|
||||
# === create_model ===
|
||||
|
||||
|
||||
def test_create_model_enables_word_timestamps():
|
||||
mock_ov = MagicMock()
|
||||
backend = OpenVINOBackend(ov_device="openvino-cpu")
|
||||
|
||||
with patch.dict("sys.modules", {"openvino_genai": mock_ov}):
|
||||
backend.create_model("/path/to/model", "openvino-cpu", "int8")
|
||||
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
"/path/to/model",
|
||||
"CPU",
|
||||
word_timestamps=True,
|
||||
)
|
||||
|
||||
|
||||
def test_create_model_cpu():
|
||||
mock_ov = MagicMock()
|
||||
mock_pipeline = MagicMock()
|
||||
@@ -200,9 +172,7 @@ def test_create_model_cpu():
|
||||
with patch.dict("sys.modules", {"openvino_genai": mock_ov}):
|
||||
model = backend.create_model("/path/to/model", "openvino-cpu", "int8")
|
||||
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
"/path/to/model", "CPU", word_timestamps=True
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with("/path/to/model", "CPU")
|
||||
assert model is mock_pipeline
|
||||
assert backend.actual_ov_device == "CPU"
|
||||
|
||||
@@ -216,9 +186,7 @@ def test_create_model_gpu():
|
||||
with patch.dict("sys.modules", {"openvino_genai": mock_ov}):
|
||||
model = backend.create_model("/path/to/model", "openvino-gpu", "fp16")
|
||||
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
"/path/to/model", "GPU", word_timestamps=True
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with("/path/to/model", "GPU")
|
||||
assert model is mock_pipeline
|
||||
assert backend.actual_ov_device == "GPU"
|
||||
|
||||
@@ -234,16 +202,11 @@ def test_create_model_openvino_auto_detects_gpu():
|
||||
|
||||
backend = OpenVINOBackend(ov_device="openvino")
|
||||
with (
|
||||
patch.dict(
|
||||
"sys.modules",
|
||||
{"openvino_genai": mock_ov, "openvino": MagicMock(Core=mock_core)},
|
||||
),
|
||||
patch.dict("sys.modules", {"openvino_genai": mock_ov, "openvino": MagicMock(Core=mock_core)}),
|
||||
):
|
||||
backend.create_model("/path/to/model", "openvino", "int8")
|
||||
model = backend.create_model("/path/to/model", "openvino", "int8")
|
||||
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
"/path/to/model", "GPU", word_timestamps=True
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with("/path/to/model", "GPU")
|
||||
assert backend.actual_ov_device == "GPU"
|
||||
|
||||
|
||||
@@ -258,16 +221,11 @@ def test_create_model_openvino_auto_falls_back_to_cpu():
|
||||
|
||||
backend = OpenVINOBackend(ov_device="openvino")
|
||||
with (
|
||||
patch.dict(
|
||||
"sys.modules",
|
||||
{"openvino_genai": mock_ov, "openvino": MagicMock(Core=mock_core)},
|
||||
),
|
||||
patch.dict("sys.modules", {"openvino_genai": mock_ov, "openvino": MagicMock(Core=mock_core)}),
|
||||
):
|
||||
backend.create_model("/path/to/model", "openvino", "int8")
|
||||
model = backend.create_model("/path/to/model", "openvino", "int8")
|
||||
|
||||
mock_ov.WhisperPipeline.assert_called_once_with(
|
||||
"/path/to/model", "CPU", word_timestamps=True
|
||||
)
|
||||
mock_ov.WhisperPipeline.assert_called_once_with("/path/to/model", "CPU")
|
||||
assert backend.actual_ov_device == "CPU"
|
||||
|
||||
|
||||
@@ -290,19 +248,13 @@ def test_transcribe_maps_chunks_to_segments():
|
||||
|
||||
mock_result = MagicMock()
|
||||
mock_result.chunks = [chunk1, chunk2]
|
||||
mock_result.words = [
|
||||
MagicMock(start_ts=0.0, end_ts=3.5, word=" Привет мир"),
|
||||
MagicMock(start_ts=3.5, end_ts=7.0, word=" Тестовый сегмент"),
|
||||
]
|
||||
mock_model.generate.return_value = mock_result
|
||||
|
||||
raw_audio = np.zeros(16000 * 10, dtype=np.float32) # 10 секунд
|
||||
|
||||
with patch("faster_whisper.decode_audio", return_value=raw_audio):
|
||||
result = backend.transcribe(
|
||||
mock_model,
|
||||
Path("test.mp3"),
|
||||
language="ru",
|
||||
mock_model, Path("test.mp3"), language="ru",
|
||||
)
|
||||
|
||||
assert len(result.segments) == 2
|
||||
@@ -317,61 +269,6 @@ def test_transcribe_maps_chunks_to_segments():
|
||||
assert call_kwargs.kwargs["return_timestamps"] is True
|
||||
|
||||
|
||||
def test_transcribe_maps_word_level_timestamps():
|
||||
backend = OpenVINOBackend()
|
||||
mock_model = MagicMock()
|
||||
raw_word = MagicMock()
|
||||
raw_word.start_ts = 0.2
|
||||
raw_word.end_ts = 0.8
|
||||
raw_word.word = " Привет"
|
||||
mock_result = MagicMock()
|
||||
mock_result.chunks = []
|
||||
mock_result.words = [raw_word]
|
||||
mock_model.generate.return_value = mock_result
|
||||
|
||||
with patch(
|
||||
"faster_whisper.decode_audio",
|
||||
return_value=np.zeros(16_000, dtype=np.float32),
|
||||
):
|
||||
result = backend.transcribe(mock_model, Path("test.mp3"), language="ru")
|
||||
|
||||
assert result.words == [Word(start=0.2, end=0.8, text=" Привет")]
|
||||
assert mock_model.generate.call_args.kwargs["word_timestamps"] is True
|
||||
|
||||
|
||||
def test_transcribe_keeps_zero_duration_word_timestamp():
|
||||
backend = OpenVINOBackend()
|
||||
mock_model = MagicMock()
|
||||
raw_word = MagicMock(start_ts=1.0, end_ts=1.0, word=" Слово")
|
||||
mock_result = MagicMock(chunks=[], words=[raw_word])
|
||||
mock_model.generate.return_value = mock_result
|
||||
|
||||
with patch(
|
||||
"faster_whisper.decode_audio",
|
||||
return_value=np.zeros(16_000, dtype=np.float32),
|
||||
):
|
||||
result = backend.transcribe(mock_model, Path("test.mp3"), language="ru")
|
||||
|
||||
assert result.words == [Word(start=1.0, end=1.0, text=" Слово")]
|
||||
|
||||
|
||||
def test_transcribe_rejects_nonempty_result_without_word_timestamps():
|
||||
backend = OpenVINOBackend()
|
||||
chunk = MagicMock(start_ts=0.0, end_ts=1.0, text=" Текст")
|
||||
mock_result = MagicMock(chunks=[chunk], words=None)
|
||||
mock_model = MagicMock()
|
||||
mock_model.generate.return_value = mock_result
|
||||
|
||||
with (
|
||||
patch(
|
||||
"faster_whisper.decode_audio",
|
||||
return_value=np.zeros(16_000, dtype=np.float32),
|
||||
),
|
||||
pytest.raises(RuntimeError, match="пословные таймкоды"),
|
||||
):
|
||||
backend.transcribe(mock_model, Path("test.mp3"), language="ru")
|
||||
|
||||
|
||||
def test_transcribe_calls_tolist():
|
||||
"""raw_speech передаётся как list, не ndarray."""
|
||||
backend = OpenVINOBackend()
|
||||
@@ -417,7 +314,6 @@ def test_transcribe_calls_on_segment():
|
||||
chunk.text = " Test"
|
||||
mock_result = MagicMock()
|
||||
mock_result.chunks = [chunk]
|
||||
mock_result.words = [MagicMock(start_ts=0.0, end_ts=2.0, word=" Test")]
|
||||
mock_model.generate.return_value = mock_result
|
||||
|
||||
raw_audio = np.zeros(16000, dtype=np.float32)
|
||||
@@ -425,10 +321,7 @@ def test_transcribe_calls_on_segment():
|
||||
|
||||
with patch("faster_whisper.decode_audio", return_value=raw_audio):
|
||||
backend.transcribe(
|
||||
mock_model,
|
||||
Path("test.mp3"),
|
||||
language="en",
|
||||
on_segment=callback,
|
||||
mock_model, Path("test.mp3"), language="en", on_segment=callback,
|
||||
)
|
||||
|
||||
callback.assert_called_once()
|
||||
@@ -443,7 +336,6 @@ def test_transcribe_calls_on_segment():
|
||||
def test_validate_model_dir_ok(tmp_path):
|
||||
(tmp_path / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
(tmp_path / "openvino_decoder_model.xml").write_text("<xml/>")
|
||||
(tmp_path / "generation_config.json").write_text('{"alignment_heads": [[1, 2]]}')
|
||||
_validate_model_dir(tmp_path) # should not raise
|
||||
|
||||
|
||||
@@ -451,15 +343,3 @@ def test_validate_model_dir_missing(tmp_path):
|
||||
(tmp_path / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
with pytest.raises(ValueError, match="openvino_decoder_model.xml"):
|
||||
_validate_model_dir(tmp_path)
|
||||
|
||||
|
||||
def test_validate_model_dir_requires_alignment_heads_for_word_timestamps(tmp_path):
|
||||
(tmp_path / "openvino_encoder_model.xml").write_text("<xml/>")
|
||||
(tmp_path / "openvino_decoder_model.xml").write_text("<xml/>")
|
||||
(tmp_path / "generation_config.json").write_text(
|
||||
'{"alignment_heads": []}',
|
||||
encoding="utf-8",
|
||||
)
|
||||
|
||||
with pytest.raises(ValueError, match="alignment_heads"):
|
||||
_validate_model_dir(tmp_path)
|
||||
|
||||
+64
-580
@@ -12,26 +12,15 @@ from local_transcriber.formatter import (
|
||||
LANGUAGE_FROM_MODEL,
|
||||
LANGUAGE_UNKNOWN,
|
||||
)
|
||||
from local_transcriber.transcriber import (
|
||||
Segment,
|
||||
TranscribeFileResult,
|
||||
TranscribeResult,
|
||||
)
|
||||
from local_transcriber.types import (
|
||||
UNKNOWN_LANGUAGE,
|
||||
DiarizationRun,
|
||||
SpeakerInterval,
|
||||
Word,
|
||||
)
|
||||
from local_transcriber.transcriber import Segment, TranscribeFileResult, TranscribeResult
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE
|
||||
|
||||
runner = CliRunner()
|
||||
|
||||
|
||||
def _make_result(segments=None, language="ru", device_used="cpu", duration=60.0):
|
||||
return TranscribeResult(
|
||||
segments=[Segment(start=0.0, end=2.0, text="Hello")]
|
||||
if segments is None
|
||||
else segments,
|
||||
segments=[Segment(start=0.0, end=2.0, text="Hello")] if segments is None else segments,
|
||||
language=language,
|
||||
language_probability=0.95,
|
||||
duration=duration,
|
||||
@@ -47,13 +36,7 @@ def _make_backend():
|
||||
return MagicMock(name="Backend")
|
||||
|
||||
|
||||
def _make_tfr(
|
||||
result=None,
|
||||
model=None,
|
||||
actual_device="cpu",
|
||||
backend=None,
|
||||
model_path="/models/medium",
|
||||
):
|
||||
def _make_tfr(result=None, model=None, actual_device="cpu", backend=None, model_path="/models/medium"):
|
||||
if result is None:
|
||||
result = _make_result()
|
||||
if model is None:
|
||||
@@ -61,11 +44,8 @@ def _make_tfr(
|
||||
if backend is None:
|
||||
backend = _make_backend()
|
||||
return TranscribeFileResult(
|
||||
result=result,
|
||||
model=model,
|
||||
actual_device=actual_device,
|
||||
backend=backend,
|
||||
model_path=model_path,
|
||||
result=result, model=model, actual_device=actual_device,
|
||||
backend=backend, model_path=model_path,
|
||||
)
|
||||
|
||||
|
||||
@@ -78,7 +58,9 @@ def _make_tfr(
|
||||
("auto", UNKNOWN_LANGUAGE, 0.0, LANGUAGE_UNKNOWN),
|
||||
],
|
||||
)
|
||||
def test_format_language_mode(requested_language, language, probability, expected):
|
||||
def test_format_language_mode(
|
||||
requested_language, language, probability, expected
|
||||
):
|
||||
result = _make_result(language=language)
|
||||
result.language_probability = probability
|
||||
|
||||
@@ -91,17 +73,12 @@ def _single_patches(result=None, tmp_file=None, actual_device="cpu"):
|
||||
result = _make_result(device_used=actual_device)
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
tfr = _make_tfr(
|
||||
result=result, model=model, actual_device=actual_device, backend=backend
|
||||
)
|
||||
tfr = _make_tfr(result=result, model=model, actual_device=actual_device, backend=backend)
|
||||
return [
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=tmp_file),
|
||||
patch("local_transcriber.cli.detect_device", return_value=actual_device),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, actual_device, backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, actual_device, backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
]
|
||||
@@ -162,28 +139,18 @@ def test_cli_custom_options(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cuda", backend, "/models/small"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cuda", backend, "/models/small")),
|
||||
patch("local_transcriber.cli._transcribe_file", mock_transcribe_file),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
patch("local_transcriber.cli.get_gpu_name", return_value="RTX 3060"),
|
||||
):
|
||||
runner.invoke(
|
||||
app,
|
||||
[
|
||||
str(audio),
|
||||
"--model",
|
||||
"small",
|
||||
"--language",
|
||||
"ru",
|
||||
"--device",
|
||||
"cuda",
|
||||
"--compute-type",
|
||||
"float16",
|
||||
],
|
||||
)
|
||||
runner.invoke(app, [
|
||||
str(audio),
|
||||
"--model", "small",
|
||||
"--language", "ru",
|
||||
"--device", "cuda",
|
||||
"--compute-type", "float16",
|
||||
])
|
||||
|
||||
call_kwargs = mock_transcribe_file.call_args[1]
|
||||
assert call_kwargs["model_name"] == "small"
|
||||
@@ -191,266 +158,6 @@ def test_cli_custom_options(tmp_path):
|
||||
assert call_kwargs["compute_type"] == "float16"
|
||||
|
||||
|
||||
def test_cli_speakers_enables_diarization_and_writes_speaker_markdown(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.3, "Первый. Второй. Неясно.")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [
|
||||
Word(0.0, 0.5, "Первый."),
|
||||
Word(0.5, 1.0, "Второй."),
|
||||
Word(1.1, 1.3, "Неясно."),
|
||||
]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.return_value = DiarizationRun(
|
||||
intervals=[
|
||||
SpeakerInterval(0.0, 0.5, 10),
|
||||
SpeakerInterval(0.5, 1.0, 20),
|
||||
],
|
||||
elapsed_seconds=0.2,
|
||||
)
|
||||
write = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
) as load_diarizer,
|
||||
patch("local_transcriber.cli.write_transcript", write),
|
||||
):
|
||||
out = runner.invoke(
|
||||
app,
|
||||
[str(audio), "--speakers", "2", "--threads", "3"],
|
||||
)
|
||||
|
||||
assert out.exit_code == 0
|
||||
load_diarizer.assert_called_once()
|
||||
assert load_diarizer.call_args.kwargs["speakers"] == 2
|
||||
assert load_diarizer.call_args.kwargs["threads"] == 3
|
||||
diarizer.process.assert_called_once()
|
||||
assert "Speaker 1: Первый." in write.call_args.args[0]
|
||||
assert "Speaker 2: Второй." in write.call_args.args[0]
|
||||
assert "Speaker ?: Неясно." in write.call_args.args[0]
|
||||
assert "1 слов без назначенного говорящего" in out.output
|
||||
assert "малый кластер Speaker 1: 0.5 с" in out.output
|
||||
|
||||
|
||||
def test_cli_diarization_error_writes_plain_transcript_and_exits_nonzero(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.0, "Полезный текст.")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [Word(0.0, 1.0, "Полезный текст.")]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.side_effect = RuntimeError("boom")
|
||||
write = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript", write),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--diarize"])
|
||||
|
||||
assert out.exit_code == 1
|
||||
assert write.call_count == 1
|
||||
assert "Полезный текст." in write.call_args.args[0]
|
||||
assert "Диаризация завершилась с ошибкой: boom" in write.call_args.args[0]
|
||||
|
||||
|
||||
def test_cli_verbose_reports_diarization_counts_and_duration(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.0, "Раз два")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [Word(0.0, 0.5, "Раз"), Word(0.5, 1.0, "два")]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.return_value = DiarizationRun(
|
||||
intervals=[
|
||||
SpeakerInterval(0.0, 0.5, 1),
|
||||
SpeakerInterval(0.5, 1.0, 2),
|
||||
],
|
||||
elapsed_seconds=0.2,
|
||||
)
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--diarize", "--verbose"])
|
||||
|
||||
assert out.exit_code == 0
|
||||
assert "2 кластеров, 2 интервалов" in out.output
|
||||
assert "0.2 с" in out.output
|
||||
|
||||
|
||||
def test_cli_empty_asr_skips_diarizer_and_reports_it(tmp_path):
|
||||
audio = tmp_path / "silence.wav"
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(segments=[])
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--diarize"])
|
||||
|
||||
assert out.exit_code == 0
|
||||
diarizer.process.assert_not_called()
|
||||
assert "диаризация не запускалась" in out.output
|
||||
|
||||
|
||||
def test_cli_diarizer_preflight_failure_does_not_start_asr_or_write(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
transcribe_file = MagicMock()
|
||||
write = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", transcribe_file),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
side_effect=RuntimeError("модель повреждена"),
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript", write),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--diarize"])
|
||||
|
||||
assert out.exit_code == 1
|
||||
transcribe_file.assert_not_called()
|
||||
write.assert_not_called()
|
||||
|
||||
|
||||
@pytest.mark.parametrize(
|
||||
("intervals", "warning"),
|
||||
[
|
||||
([SpeakerInterval(0.0, 1.0, 1)], "только один голосовой кластер"),
|
||||
([], "не нашёл интервалов"),
|
||||
],
|
||||
)
|
||||
def test_cli_unsuccessful_diarization_shape_writes_plain_text_and_exits_nonzero(
|
||||
tmp_path, intervals, warning
|
||||
):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.0, "Раз два")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [Word(0.0, 0.5, "Раз"), Word(0.5, 1.0, "два")]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.return_value = DiarizationRun(intervals, elapsed_seconds=0.1)
|
||||
write = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript", write),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--diarize"])
|
||||
|
||||
assert out.exit_code == 1
|
||||
content = write.call_args.args[0]
|
||||
assert warning in content
|
||||
assert "[00:00.00 - 00:01.00] Раз два" in content
|
||||
|
||||
|
||||
def test_cli_rejects_nonpositive_speaker_count(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
|
||||
out = runner.invoke(app, [str(audio), "--speakers", "0"])
|
||||
|
||||
assert out.exit_code == 2
|
||||
|
||||
|
||||
def test_cli_verbose_passes_on_segment_callback(tmp_path):
|
||||
audio = tmp_path / "test.mp3"
|
||||
audio.write_bytes(b"fake")
|
||||
@@ -464,10 +171,7 @@ def test_cli_verbose_passes_on_segment_callback(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", mock_transcribe_file),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -505,10 +209,7 @@ def test_cli_default_output_path(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript", mock_write),
|
||||
):
|
||||
@@ -533,10 +234,7 @@ def test_cli_custom_output_path(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript", mock_write),
|
||||
):
|
||||
@@ -559,10 +257,7 @@ def test_cli_passes_status_callback_to_transcribe(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", mock_transcribe_file),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -581,9 +276,7 @@ def test_cli_load_model_called_with_model_name(tmp_path):
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
mock_load_model = MagicMock(
|
||||
return_value=(model, "cpu", backend, "/models/large-v3")
|
||||
)
|
||||
mock_load_model = MagicMock(return_value=(model, "cpu", backend, "/models/large-v3"))
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
@@ -609,14 +302,8 @@ def test_cli_windows_cuda_diagnostic(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cuda", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file",
|
||||
side_effect=RuntimeError("CUDA error: no device"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cuda", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=RuntimeError("CUDA error: no device")),
|
||||
patch("local_transcriber.cli.sys") as mock_sys,
|
||||
):
|
||||
mock_sys.platform = "win32"
|
||||
@@ -638,14 +325,8 @@ def test_cli_linux_cuda_error_no_windows_hint(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cuda", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file",
|
||||
side_effect=RuntimeError("CUDA error: no device"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cuda", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=RuntimeError("CUDA error: no device")),
|
||||
patch("local_transcriber.cli.sys") as mock_sys,
|
||||
):
|
||||
mock_sys.platform = "linux"
|
||||
@@ -668,10 +349,7 @@ def test_cli_device_fallback_warning(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cuda", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cuda", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -694,10 +372,7 @@ def test_cli_strict_device_passed_to_transcribe(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cuda", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cuda", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", mock_transcribe_file),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
patch("local_transcriber.cli.get_gpu_name", return_value="RTX 3060"),
|
||||
@@ -715,10 +390,7 @@ def test_cli_strict_device_passed_to_transcribe(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", mock_transcribe_file),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -738,10 +410,7 @@ def test_cli_keyboard_interrupt(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=KeyboardInterrupt),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -774,14 +443,8 @@ def test_cli_unexpected_error_verbose_traceback(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file",
|
||||
side_effect=RuntimeError("unexpected boom"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=RuntimeError("unexpected boom")),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--verbose"])
|
||||
@@ -801,14 +464,8 @@ def test_cli_unexpected_error_no_verbose_hint(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", return_value=audio),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file",
|
||||
side_effect=RuntimeError("unexpected boom"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=RuntimeError("unexpected boom")),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio)])
|
||||
@@ -836,10 +493,7 @@ def test_cli_batch_two_files(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -849,111 +503,6 @@ def test_cli_batch_two_files(tmp_path):
|
||||
assert "2 обработано" in out.output
|
||||
|
||||
|
||||
def test_cli_batch_reuses_one_diarizer_for_all_nonempty_files(tmp_path):
|
||||
first = tmp_path / "first.mp3"
|
||||
second = tmp_path / "second.mp3"
|
||||
first.write_bytes(b"fake")
|
||||
second.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.0, "Раз два")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [Word(0.0, 0.5, "Раз"), Word(0.5, 1.0, "два")]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.return_value = DiarizationRun(
|
||||
intervals=[
|
||||
SpeakerInterval(0.0, 0.5, 1),
|
||||
SpeakerInterval(0.5, 1.0, 2),
|
||||
],
|
||||
elapsed_seconds=0.1,
|
||||
)
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch(
|
||||
"local_transcriber.cli.validate_input_file",
|
||||
side_effect=lambda path: path,
|
||||
),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
) as load_diarizer,
|
||||
patch("local_transcriber.cli.write_transcript") as write,
|
||||
):
|
||||
out = runner.invoke(app, [str(first), str(second), "--diarize"])
|
||||
|
||||
assert out.exit_code == 0
|
||||
load_diarizer.assert_called_once()
|
||||
assert [call.args[0] for call in diarizer.process.call_args_list] == [
|
||||
first,
|
||||
second,
|
||||
]
|
||||
assert write.call_count == 2
|
||||
|
||||
|
||||
def test_cli_batch_continues_after_diarization_error_and_exits_nonzero(tmp_path):
|
||||
first = tmp_path / "first.mp3"
|
||||
second = tmp_path / "second.mp3"
|
||||
first.write_bytes(b"fake")
|
||||
second.write_bytes(b"fake")
|
||||
result = _make_result(
|
||||
segments=[Segment(0.0, 1.0, "Раз два")],
|
||||
duration=10.0,
|
||||
)
|
||||
result.words = [Word(0.0, 0.5, "Раз"), Word(0.5, 1.0, "два")]
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
backend.word_timestamps_available = True
|
||||
tfr = _make_tfr(result=result, model=model, backend=backend)
|
||||
diarizer = MagicMock()
|
||||
diarizer.process.side_effect = [
|
||||
RuntimeError("boom"),
|
||||
DiarizationRun(
|
||||
[
|
||||
SpeakerInterval(0.0, 0.5, 1),
|
||||
SpeakerInterval(0.5, 1.0, 2),
|
||||
],
|
||||
elapsed_seconds=0.1,
|
||||
),
|
||||
]
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch(
|
||||
"local_transcriber.cli.validate_input_file",
|
||||
side_effect=lambda path: path,
|
||||
),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
return_value=diarizer,
|
||||
),
|
||||
patch("local_transcriber.cli.write_transcript") as write,
|
||||
):
|
||||
out = runner.invoke(app, [str(first), str(second), "--diarize"])
|
||||
|
||||
assert out.exit_code == 1
|
||||
assert write.call_count == 2
|
||||
assert "Диаризация завершилась с ошибкой: boom" in write.call_args_list[0].args[0]
|
||||
assert "Speaker 1" in write.call_args_list[1].args[0]
|
||||
assert "1 с деградацией" in out.output
|
||||
|
||||
|
||||
def test_cli_batch_skips_existing(tmp_path):
|
||||
a = tmp_path / "a.mp3"
|
||||
b = tmp_path / "b.mp3"
|
||||
@@ -970,10 +519,7 @@ def test_cli_batch_skips_existing(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -994,22 +540,16 @@ def test_cli_batch_all_skipped_no_model_load(tmp_path):
|
||||
(tmp_path / "b-transcript.md").write_text("existing")
|
||||
|
||||
mock_load_model = MagicMock()
|
||||
mock_load_diarizer = MagicMock()
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.load_model", mock_load_model),
|
||||
patch(
|
||||
"local_transcriber.cli.load_speaker_diarizer",
|
||||
mock_load_diarizer,
|
||||
),
|
||||
):
|
||||
out = runner.invoke(app, [str(a), str(b), "--diarize"])
|
||||
out = runner.invoke(app, [str(a), str(b)])
|
||||
|
||||
assert out.exit_code == 0
|
||||
mock_load_model.assert_not_called()
|
||||
mock_load_diarizer.assert_not_called()
|
||||
|
||||
|
||||
def test_cli_batch_force_overwrites(tmp_path):
|
||||
@@ -1028,10 +568,7 @@ def test_cli_batch_force_overwrites(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -1065,13 +602,8 @@ def test_cli_batch_per_file_error(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file", side_effect=transcribe_side_effect
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=transcribe_side_effect),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(a), str(b)])
|
||||
@@ -1099,15 +631,9 @@ def test_cli_batch_invalid_in_prescan(tmp_path):
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch(
|
||||
"local_transcriber.cli.validate_input_file",
|
||||
side_effect=validate_side_effect,
|
||||
),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=validate_side_effect),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -1242,10 +768,7 @@ def test_cli_batch_fallback_warning(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
@@ -1272,13 +795,8 @@ def test_cli_batch_empty_speech_warning(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file", side_effect=[tfr_empty, tfr_ok]
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=[tfr_empty, tfr_ok]),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(a), str(b)])
|
||||
@@ -1299,24 +817,15 @@ def test_cli_batch_midstream_fallback_warning(tmp_path):
|
||||
model_cpu = _make_model()
|
||||
backend = _make_backend()
|
||||
result = _make_result(device_used="cpu")
|
||||
tfr_fallback = _make_tfr(
|
||||
result=result, model=model_cpu, actual_device="cpu", backend=backend
|
||||
)
|
||||
tfr_ok = _make_tfr(
|
||||
result=result, model=model_cpu, actual_device="cpu", backend=backend
|
||||
)
|
||||
tfr_fallback = _make_tfr(result=result, model=model_cpu, actual_device="cpu", backend=backend)
|
||||
tfr_ok = _make_tfr(result=result, model=model_cpu, actual_device="cpu", backend=backend)
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cuda"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model_gpu, "cuda", backend, "/models/medium"),
|
||||
),
|
||||
patch(
|
||||
"local_transcriber.cli._transcribe_file", side_effect=[tfr_fallback, tfr_ok]
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model_gpu, "cuda", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=[tfr_fallback, tfr_ok]),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
):
|
||||
out = runner.invoke(app, [str(a), str(b)])
|
||||
@@ -1355,14 +864,8 @@ def test_cli_batch_model_loaded_once(tmp_path):
|
||||
|
||||
|
||||
def test_format_device_info_openvino_gpu():
|
||||
with patch(
|
||||
"local_transcriber.cli.get_intel_gpu_name",
|
||||
return_value="Intel(R) Arc(TM) 140T GPU",
|
||||
):
|
||||
assert (
|
||||
_format_device_info("openvino-gpu")
|
||||
== "OpenVINO (Intel(R) Arc(TM) 140T GPU)"
|
||||
)
|
||||
with patch("local_transcriber.cli.get_intel_gpu_name", return_value="Intel(R) Arc(TM) 140T GPU"):
|
||||
assert _format_device_info("openvino-gpu") == "OpenVINO (Intel(R) Arc(TM) 140T GPU)"
|
||||
|
||||
|
||||
def test_format_device_info_openvino_gpu_no_name():
|
||||
@@ -1397,13 +900,9 @@ def test_cli_openvino_gpu_happy_path(tmp_path):
|
||||
audio.write_bytes(b"fake")
|
||||
result = _make_result(device_used="openvino-gpu")
|
||||
|
||||
patches = _single_patches(
|
||||
result=result, tmp_file=audio, actual_device="openvino-gpu"
|
||||
)
|
||||
patches = _single_patches(result=result, tmp_file=audio, actual_device="openvino-gpu")
|
||||
with patches[0], patches[1], patches[2], patches[3], patches[4], patches[5]:
|
||||
with patch(
|
||||
"local_transcriber.cli.get_intel_gpu_name", return_value="Intel Arc 140T"
|
||||
):
|
||||
with patch("local_transcriber.cli.get_intel_gpu_name", return_value="Intel Arc 140T"):
|
||||
out = runner.invoke(app, [str(audio), "--device", "openvino-gpu"])
|
||||
|
||||
assert out.exit_code == 0
|
||||
@@ -1416,12 +915,8 @@ def test_cli_openvino_alias_resolves_to_gpu(tmp_path):
|
||||
result = _make_result(device_used="openvino-gpu")
|
||||
model = _make_model()
|
||||
backend = _make_backend()
|
||||
tfr = _make_tfr(
|
||||
result=result, model=model, actual_device="openvino-gpu", backend=backend
|
||||
)
|
||||
mock_load_model = MagicMock(
|
||||
return_value=(model, "openvino-gpu", backend, "/models/medium")
|
||||
)
|
||||
tfr = _make_tfr(result=result, model=model, actual_device="openvino-gpu", backend=backend)
|
||||
mock_load_model = MagicMock(return_value=(model, "openvino-gpu", backend, "/models/medium"))
|
||||
|
||||
with (
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
@@ -1430,9 +925,7 @@ def test_cli_openvino_alias_resolves_to_gpu(tmp_path):
|
||||
patch("local_transcriber.cli.load_model", mock_load_model),
|
||||
patch("local_transcriber.cli._transcribe_file", return_value=tfr),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
patch(
|
||||
"local_transcriber.cli.get_intel_gpu_name", return_value="Intel Arc 140T"
|
||||
),
|
||||
patch("local_transcriber.cli.get_intel_gpu_name", return_value="Intel Arc 140T"),
|
||||
):
|
||||
out = runner.invoke(app, [str(audio), "--device", "openvino"])
|
||||
|
||||
@@ -1507,9 +1000,7 @@ def test_cli_install_menu_success(tmp_path):
|
||||
cmd_path = tmp_path / "Transcribe.cmd"
|
||||
|
||||
with (
|
||||
patch(
|
||||
"local_transcriber.cli.install_context_menu", return_value=cmd_path
|
||||
) as mock_install,
|
||||
patch("local_transcriber.cli.install_context_menu", return_value=cmd_path) as mock_install,
|
||||
patch("local_transcriber.cli.load_config") as mock_load_config,
|
||||
patch("local_transcriber.cli.sys") as mock_sys,
|
||||
):
|
||||
@@ -1527,9 +1018,7 @@ def test_cli_uninstall_menu_success(tmp_path):
|
||||
cmd_path = tmp_path / "Transcribe.cmd"
|
||||
|
||||
with (
|
||||
patch(
|
||||
"local_transcriber.cli.uninstall_context_menu", return_value=cmd_path
|
||||
) as mock_uninstall,
|
||||
patch("local_transcriber.cli.uninstall_context_menu", return_value=cmd_path) as mock_uninstall,
|
||||
patch("local_transcriber.cli.load_config") as mock_load_config,
|
||||
patch("local_transcriber.cli.sys") as mock_sys,
|
||||
):
|
||||
@@ -1590,10 +1079,7 @@ def test_cli_menu_flags_available_only_on_windows():
|
||||
|
||||
def test_cli_menu_runtime_error_has_no_verbose_hint():
|
||||
with (
|
||||
patch(
|
||||
"local_transcriber.cli.install_context_menu",
|
||||
side_effect=RuntimeError("нет APPDATA"),
|
||||
),
|
||||
patch("local_transcriber.cli.install_context_menu", side_effect=RuntimeError("нет APPDATA")),
|
||||
patch("local_transcriber.cli.sys") as mock_sys,
|
||||
):
|
||||
mock_sys.platform = "win32"
|
||||
@@ -1683,10 +1169,7 @@ def test_cli_quality_warning_batch_includes_file_name(tmp_path):
|
||||
patch("local_transcriber.cli.load_config", return_value={}),
|
||||
patch("local_transcriber.cli.validate_input_file", side_effect=lambda p: p),
|
||||
patch("local_transcriber.cli.detect_device", return_value="cpu"),
|
||||
patch(
|
||||
"local_transcriber.cli.load_model",
|
||||
return_value=(model, "cpu", backend, "/models/medium"),
|
||||
),
|
||||
patch("local_transcriber.cli.load_model", return_value=(model, "cpu", backend, "/models/medium")),
|
||||
patch("local_transcriber.cli._transcribe_file", side_effect=[tfr_warn, tfr_ok]),
|
||||
patch("local_transcriber.cli.write_transcript"),
|
||||
patch("local_transcriber.cli.console", Console(stderr=True, width=1000)),
|
||||
@@ -1695,7 +1178,8 @@ def test_cli_quality_warning_batch_includes_file_name(tmp_path):
|
||||
|
||||
assert out.exit_code == 0
|
||||
assert (
|
||||
" a.mp3: транскрипт покрывает 01:00 из 10:00 — возможна потеря хвоста записи"
|
||||
" a.mp3: транскрипт покрывает 01:00 из 10:00 — "
|
||||
"возможна потеря хвоста записи"
|
||||
) in out.output
|
||||
|
||||
|
||||
|
||||
@@ -125,4 +125,4 @@ def test_get_transcribe_exe_requires_existing_exe(tmp_path, monkeypatch):
|
||||
monkeypatch.setattr(context_menu.sys, "executable", str(python_exe))
|
||||
|
||||
with pytest.raises(RuntimeError, match="uv sync"):
|
||||
context_menu.get_transcribe_exe()
|
||||
context_menu.get_transcribe_exe()
|
||||
@@ -1,120 +0,0 @@
|
||||
from local_transcriber.diarization import build_speaker_transcript
|
||||
from local_transcriber.types import (
|
||||
SmallSpeakerCluster,
|
||||
SpeakerInterval,
|
||||
SpeakerTurn,
|
||||
Word,
|
||||
)
|
||||
|
||||
|
||||
def test_build_speaker_transcript_assigns_and_groups_words():
|
||||
words = [
|
||||
Word(start=0.0, end=0.8, text="Добрый"),
|
||||
Word(start=0.8, end=1.4, text="день."),
|
||||
Word(start=1.5, end=2.1, text="Привет!"),
|
||||
]
|
||||
intervals = [
|
||||
SpeakerInterval(start=0.0, end=1.4, cluster=7),
|
||||
SpeakerInterval(start=1.4, end=2.3, cluster=3),
|
||||
]
|
||||
|
||||
transcript = build_speaker_transcript(words, intervals, recording_duration=30.0)
|
||||
|
||||
assert [
|
||||
(turn.speaker, turn.start, turn.end, turn.text) for turn in transcript.turns
|
||||
] == [
|
||||
(1, 0.0, 1.4, "Добрый день."),
|
||||
(2, 1.5, 2.1, "Привет!"),
|
||||
]
|
||||
assert transcript.cluster_count == 2
|
||||
assert transcript.unassigned_word_count == 0
|
||||
|
||||
|
||||
def test_build_speaker_transcript_reports_small_cluster_without_filtering_it():
|
||||
words = [
|
||||
Word(start=0.0, end=1.0, text="Редкая реплика."),
|
||||
Word(start=5.0, end=6.0, text="Основная реплика."),
|
||||
]
|
||||
intervals = [
|
||||
SpeakerInterval(start=0.0, end=4.9, cluster=4),
|
||||
SpeakerInterval(start=5.0, end=10.0, cluster=9),
|
||||
]
|
||||
|
||||
transcript = build_speaker_transcript(words, intervals, recording_duration=100.0)
|
||||
|
||||
assert [turn.speaker for turn in transcript.turns] == [1, 2]
|
||||
assert transcript.small_clusters == [SmallSpeakerCluster(speaker=1, duration=4.9)]
|
||||
|
||||
|
||||
def test_build_speaker_transcript_keeps_equal_overlap_unassigned():
|
||||
words = [Word(start=0.0, end=1.0, text="Спорное слово")]
|
||||
intervals = [
|
||||
SpeakerInterval(start=0.0, end=0.1, cluster=8),
|
||||
SpeakerInterval(start=0.3, end=0.5, cluster=8),
|
||||
SpeakerInterval(start=0.0, end=0.3, cluster=2),
|
||||
]
|
||||
|
||||
transcript = build_speaker_transcript(words, intervals, recording_duration=10.0)
|
||||
|
||||
assert transcript.turns[0].speaker is None
|
||||
assert transcript.unassigned_word_count == 1
|
||||
|
||||
|
||||
def test_build_speaker_transcript_keeps_word_without_overlap_unknown():
|
||||
transcript = build_speaker_transcript(
|
||||
[Word(start=5.0, end=6.0, text="Вне разметки")],
|
||||
[SpeakerInterval(start=0.0, end=1.0, cluster=1)],
|
||||
recording_duration=10.0,
|
||||
)
|
||||
|
||||
assert transcript.turns == [SpeakerTurn(5.0, 6.0, "Вне разметки", None)]
|
||||
assert transcript.unassigned_word_count == 1
|
||||
|
||||
|
||||
def test_build_speaker_transcript_splits_at_two_second_pause():
|
||||
transcript = build_speaker_transcript(
|
||||
[
|
||||
Word(0.0, 1.0, "До паузы."),
|
||||
Word(3.0, 4.0, "После паузы."),
|
||||
],
|
||||
[SpeakerInterval(0.0, 4.0, 1)],
|
||||
recording_duration=10.0,
|
||||
)
|
||||
|
||||
assert [turn.text for turn in transcript.turns] == [
|
||||
"До паузы.",
|
||||
"После паузы.",
|
||||
]
|
||||
|
||||
|
||||
def test_build_speaker_transcript_does_not_exceed_sixty_seconds():
|
||||
transcript = build_speaker_transcript(
|
||||
[
|
||||
Word(0.0, 30.0, "Начало."),
|
||||
Word(30.0, 60.0, "Продолжение."),
|
||||
Word(60.0, 61.0, "Новая реплика."),
|
||||
],
|
||||
[SpeakerInterval(0.0, 61.0, 1)],
|
||||
recording_duration=70.0,
|
||||
)
|
||||
|
||||
assert [turn.text for turn in transcript.turns] == [
|
||||
"Начало. Продолжение.",
|
||||
"Новая реплика.",
|
||||
]
|
||||
|
||||
|
||||
def test_build_speaker_transcript_preserves_punctuation_without_leading_space():
|
||||
transcript = build_speaker_transcript(
|
||||
[
|
||||
Word(0.0, 0.4, "Тарадата"),
|
||||
Word(0.4, 0.5, "+"),
|
||||
Word(0.5, 0.7, "Click"),
|
||||
Word(0.7, 0.8, "—"),
|
||||
Word(0.8, 1.0, "это"),
|
||||
],
|
||||
[SpeakerInterval(0.0, 1.0, 1)],
|
||||
recording_duration=10.0,
|
||||
)
|
||||
|
||||
assert transcript.turns[0].text == "Тарадата+ Click— это"
|
||||
+2
-118
@@ -1,4 +1,5 @@
|
||||
from datetime import datetime
|
||||
from pathlib import Path
|
||||
|
||||
from local_transcriber.formatter import (
|
||||
LANGUAGE_DETECTED,
|
||||
@@ -10,12 +11,7 @@ from local_transcriber.formatter import (
|
||||
write_transcript,
|
||||
)
|
||||
from local_transcriber.transcriber import Segment, TranscribeResult
|
||||
from local_transcriber.types import (
|
||||
UNKNOWN_LANGUAGE,
|
||||
SmallSpeakerCluster,
|
||||
SpeakerTranscript,
|
||||
SpeakerTurn,
|
||||
)
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE
|
||||
|
||||
|
||||
def test_format_timestamp_minutes():
|
||||
@@ -63,118 +59,6 @@ def test_format_transcript_basic():
|
||||
assert "[00:00.00 - 00:09.15] Добрый день, коллеги. Первый вопрос." in content
|
||||
|
||||
|
||||
def test_format_transcript_speaker_turns_use_truncated_start_timestamps():
|
||||
result = TranscribeResult(
|
||||
segments=[Segment(start=547.96, end=560.0, text=" Обычный текст")],
|
||||
language="ru",
|
||||
language_probability=0.97,
|
||||
duration=700.0,
|
||||
device_used="cpu",
|
||||
)
|
||||
speakers = SpeakerTranscript(
|
||||
turns=[
|
||||
SpeakerTurn(547.96, 550.0, "Первая реплика.", 1),
|
||||
SpeakerTurn(558.4, 560.0, "Ответ.", 2),
|
||||
],
|
||||
cluster_count=2,
|
||||
unassigned_word_count=0,
|
||||
small_clusters=[],
|
||||
)
|
||||
|
||||
content = format_transcript(
|
||||
result,
|
||||
source_filename="meeting.mp4",
|
||||
model_name="medium",
|
||||
device_info="CPU",
|
||||
language_mode=LANGUAGE_DETECTED,
|
||||
speaker_transcript=speakers,
|
||||
)
|
||||
|
||||
assert "- **Голосовых кластеров**: 2" in content
|
||||
assert "[09:07] Speaker 1: Первая реплика." in content
|
||||
assert "[09:18] Speaker 2: Ответ." in content
|
||||
assert "[09:07.96 -" not in content
|
||||
|
||||
|
||||
def test_format_transcript_speaker_turns_use_hours_after_one_hour():
|
||||
result = TranscribeResult(
|
||||
segments=[Segment(start=3661.9, end=3663.0, text=" Длинная встреча")],
|
||||
language="ru",
|
||||
language_probability=1.0,
|
||||
duration=3700.0,
|
||||
device_used="cpu",
|
||||
)
|
||||
speakers = SpeakerTranscript(
|
||||
turns=[SpeakerTurn(3661.9, 3663.0, "Длинная встреча", 1)],
|
||||
cluster_count=2,
|
||||
unassigned_word_count=0,
|
||||
small_clusters=[],
|
||||
)
|
||||
|
||||
content = format_transcript(
|
||||
result,
|
||||
source_filename="meeting.mp4",
|
||||
model_name="medium",
|
||||
device_info="CPU",
|
||||
language_mode=LANGUAGE_FORCED,
|
||||
speaker_transcript=speakers,
|
||||
)
|
||||
|
||||
assert "[01:01:01] Speaker 1: Длинная встреча" in content
|
||||
|
||||
|
||||
def test_format_transcript_reports_unknown_words_and_small_clusters():
|
||||
result = TranscribeResult(
|
||||
segments=[Segment(start=0.0, end=8.0, text=" Текст")],
|
||||
language="ru",
|
||||
language_probability=1.0,
|
||||
duration=20.0,
|
||||
device_used="cpu",
|
||||
)
|
||||
speakers = SpeakerTranscript(
|
||||
turns=[SpeakerTurn(1.2, 2.0, "Неясная реплика.", None)],
|
||||
cluster_count=2,
|
||||
unassigned_word_count=3,
|
||||
small_clusters=[SmallSpeakerCluster(speaker=2, duration=4.2)],
|
||||
)
|
||||
|
||||
content = format_transcript(
|
||||
result,
|
||||
source_filename="meeting.mp4",
|
||||
model_name="medium",
|
||||
device_info="CPU",
|
||||
language_mode=LANGUAGE_FORCED,
|
||||
speaker_transcript=speakers,
|
||||
)
|
||||
|
||||
assert "[00:01] Speaker ?: Неясная реплика." in content
|
||||
assert "3 слов без назначенного говорящего" in content
|
||||
assert "малый кластер Speaker 2: 4.2 с" in content
|
||||
|
||||
|
||||
def test_format_transcript_keeps_plain_body_with_diarization_warning():
|
||||
result = TranscribeResult(
|
||||
segments=[Segment(start=0.0, end=2.0, text=" Полезный текст.")],
|
||||
language="ru",
|
||||
language_probability=1.0,
|
||||
duration=5.0,
|
||||
device_used="cpu",
|
||||
)
|
||||
|
||||
content = format_transcript(
|
||||
result,
|
||||
source_filename="meeting.mp4",
|
||||
model_name="medium",
|
||||
device_info="CPU",
|
||||
language_mode=LANGUAGE_FORCED,
|
||||
diarization_warning="Диаризация завершилась с ошибкой: boom",
|
||||
)
|
||||
|
||||
assert "**Внимание**: Диаризация завершилась с ошибкой: boom" in content
|
||||
assert "[00:00.00 - 00:02.00] Полезный текст." in content
|
||||
assert "Speaker" not in content
|
||||
|
||||
|
||||
def test_format_transcript_unknown_language_without_placeholder():
|
||||
"""Неизвестный язык печатается одной строкой, без служебного значения."""
|
||||
result = TranscribeResult(
|
||||
|
||||
+9
-166
@@ -5,18 +5,16 @@ import warnings
|
||||
import pytest
|
||||
|
||||
from local_transcriber.backends.onnx_asr import OnnxAsrBackend
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment, TranscribeResult, Word
|
||||
from local_transcriber.types import UNKNOWN_LANGUAGE, Segment, TranscribeResult
|
||||
|
||||
|
||||
class FakeVadSegment:
|
||||
"""Mimics onnx-asr SegmentResult."""
|
||||
|
||||
def __init__(self, start, end, text, tokens=None, timestamps=None):
|
||||
def __init__(self, start, end, text):
|
||||
self.start = start
|
||||
self.end = end
|
||||
self.text = text
|
||||
self.tokens = [f" {text}"] if tokens is None else tokens
|
||||
self.timestamps = [0.0] if timestamps is None else timestamps
|
||||
|
||||
|
||||
class TestEnsureModelAvailable:
|
||||
@@ -61,9 +59,6 @@ class TestEnsureModelAvailable:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
def fake_load_model(*, model, quantization):
|
||||
quantizations.append(quantization)
|
||||
return FakeAsrAdapter()
|
||||
@@ -87,45 +82,21 @@ class TestEnsureModelAvailable:
|
||||
|
||||
|
||||
class TestCreateModel:
|
||||
def test_wraps_vad_model_with_timestamps(self, monkeypatch):
|
||||
timestamped_model = object()
|
||||
|
||||
class FakeVadAdapter:
|
||||
def with_timestamps(self):
|
||||
return timestamped_model
|
||||
|
||||
class FakeAsrAdapter:
|
||||
def with_vad(self, vad):
|
||||
return FakeVadAdapter()
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", lambda **kwargs: FakeAsrAdapter())
|
||||
monkeypatch.setattr("onnx_asr.load_vad", lambda model: object())
|
||||
|
||||
model = OnnxAsrBackend().create_model("gigaam-v3-e2e-rnnt", "onnx", "int8")
|
||||
|
||||
assert model is timestamped_model
|
||||
|
||||
def test_calls_load_model_with_correct_args(self, monkeypatch):
|
||||
"""Verify create_model passes correct args to onnx_asr.load_model."""
|
||||
calls = []
|
||||
|
||||
def fake_load_model(model=None, path=None, quantization=None, **kwargs):
|
||||
calls.append(
|
||||
{
|
||||
"model": model,
|
||||
"path": path,
|
||||
"quantization": quantization,
|
||||
}
|
||||
)
|
||||
def fake_load_model(model=None, path=None, quantization=None,
|
||||
**kwargs):
|
||||
calls.append({
|
||||
"model": model, "path": path, "quantization": quantization,
|
||||
})
|
||||
return FakeAsrAdapter()
|
||||
|
||||
class FakeAsrAdapter:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
|
||||
backend = OnnxAsrBackend()
|
||||
@@ -152,9 +123,6 @@ class TestCreateModel:
|
||||
self._vad = vad
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
monkeypatch.setattr("onnx_asr.load_vad", fake_load_vad)
|
||||
|
||||
@@ -175,9 +143,6 @@ class TestCreateModel:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
monkeypatch.setattr("onnx_asr.load_vad", lambda model, **kw: None)
|
||||
|
||||
@@ -202,9 +167,6 @@ class TestCreateModel:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
monkeypatch.setattr("onnx_asr.load_vad", lambda model, **kw: None)
|
||||
|
||||
@@ -225,9 +187,6 @@ class TestCreateModel:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
monkeypatch.setattr("onnx_asr.load_vad", lambda model, **kw: None)
|
||||
|
||||
@@ -248,9 +207,6 @@ class TestCreateModel:
|
||||
def with_vad(self, vad):
|
||||
return self
|
||||
|
||||
def with_timestamps(self):
|
||||
return self
|
||||
|
||||
monkeypatch.setattr("onnx_asr.load_model", fake_load_model)
|
||||
monkeypatch.setattr("onnx_asr.load_vad", lambda model, **kw: None)
|
||||
|
||||
@@ -342,7 +298,6 @@ class TestTranscribe:
|
||||
|
||||
def fake_decode_audio(path, sampling_rate=16000):
|
||||
import numpy as np
|
||||
|
||||
return np.array(audio_samples, dtype=np.float32)
|
||||
|
||||
class FakeModel:
|
||||
@@ -355,9 +310,7 @@ class TestTranscribe:
|
||||
backend = OnnxAsrBackend()
|
||||
backend.actual_compute_type = "int8"
|
||||
result = backend.transcribe(
|
||||
FakeModel(),
|
||||
wav_file,
|
||||
language=None,
|
||||
FakeModel(), wav_file, language=None,
|
||||
)
|
||||
|
||||
assert isinstance(result, TranscribeResult)
|
||||
@@ -366,110 +319,6 @@ class TestTranscribe:
|
||||
assert result.segments[1] == Segment(start=1.0, end=2.5, text="world")
|
||||
assert result.duration == 1.0 # 16000 samples / 16000 Hz
|
||||
|
||||
def test_transcribe_converts_vad_token_timestamps_to_global_words(
|
||||
self, monkeypatch, tmp_path
|
||||
):
|
||||
wav_file = tmp_path / "test.wav"
|
||||
wav_file.write_bytes(b"fake audio")
|
||||
monkeypatch.setattr(
|
||||
"faster_whisper.decode_audio",
|
||||
lambda path, sampling_rate=16000: [0.0] * 16_000,
|
||||
)
|
||||
|
||||
timestamped_segment = FakeVadSegment(
|
||||
10.0,
|
||||
12.0,
|
||||
"Привет, мир",
|
||||
tokens=[" ", "П", "р", "и", "в", "е", "т", ",", " ", "м", "и", "р"],
|
||||
timestamps=[0.0, 0.1, 0.1, 0.1, 0.2, 0.2, 0.3, 0.3, 0.5, 0.6, 0.6, 0.7],
|
||||
)
|
||||
|
||||
class FakeModel:
|
||||
def recognize(self, waveform, sample_rate, language=None):
|
||||
yield timestamped_segment
|
||||
|
||||
result = OnnxAsrBackend().transcribe(FakeModel(), wav_file, language="ru")
|
||||
|
||||
assert result.words == [
|
||||
Word(start=10.0, end=10.5, text=" Привет,"),
|
||||
Word(start=10.5, end=12.0, text=" мир"),
|
||||
]
|
||||
assert "".join(word.text for word in result.words).strip() == "Привет, мир"
|
||||
|
||||
def test_transcribe_rejects_nonempty_segment_without_token_timestamps(
|
||||
self, monkeypatch, tmp_path
|
||||
):
|
||||
wav_file = tmp_path / "test.wav"
|
||||
wav_file.write_bytes(b"fake audio")
|
||||
monkeypatch.setattr(
|
||||
"faster_whisper.decode_audio",
|
||||
lambda path, sampling_rate=16000: [0.0] * 16_000,
|
||||
)
|
||||
segment = FakeVadSegment(0.0, 1.0, "Текст")
|
||||
segment.tokens = None
|
||||
segment.timestamps = None
|
||||
|
||||
class FakeModel:
|
||||
def recognize(self, waveform, sample_rate, language=None):
|
||||
yield segment
|
||||
|
||||
with pytest.raises(RuntimeError, match="пословные таймкоды"):
|
||||
OnnxAsrBackend().transcribe(FakeModel(), wav_file, language="ru")
|
||||
|
||||
def test_transcribe_keeps_words_with_equal_emission_timestamps(
|
||||
self, monkeypatch, tmp_path
|
||||
):
|
||||
wav_file = tmp_path / "test.wav"
|
||||
wav_file.write_bytes(b"fake audio")
|
||||
monkeypatch.setattr(
|
||||
"faster_whisper.decode_audio",
|
||||
lambda path, sampling_rate=16000: [0.0] * 16_000,
|
||||
)
|
||||
segment = FakeVadSegment(
|
||||
10.0,
|
||||
12.0,
|
||||
"Да нет потом",
|
||||
tokens=[" ", "Да", " ", "нет", " ", "потом"],
|
||||
timestamps=[0.0, 0.0, 0.0, 0.0, 0.5, 0.5],
|
||||
)
|
||||
|
||||
class FakeModel:
|
||||
def recognize(self, waveform, sample_rate, language=None):
|
||||
yield segment
|
||||
|
||||
result = OnnxAsrBackend().transcribe(FakeModel(), wav_file, language="ru")
|
||||
|
||||
assert [word.text for word in result.words] == [" Да", " нет", " потом"]
|
||||
assert [(word.start, word.end) for word in result.words] == [
|
||||
(10.0, 10.5),
|
||||
(10.0, 10.5),
|
||||
(10.5, 12.0),
|
||||
]
|
||||
assert "".join(word.text for word in result.words).strip() == segment.text
|
||||
|
||||
def test_transcribe_keeps_word_clamped_to_segment_end(self, monkeypatch, tmp_path):
|
||||
wav_file = tmp_path / "test.wav"
|
||||
wav_file.write_bytes(b"fake audio")
|
||||
monkeypatch.setattr(
|
||||
"faster_whisper.decode_audio",
|
||||
lambda path, sampling_rate=16000: [0.0] * 16_000,
|
||||
)
|
||||
segment = FakeVadSegment(
|
||||
10.0,
|
||||
12.0,
|
||||
"Позднее",
|
||||
tokens=[" ", "Позднее"],
|
||||
timestamps=[2.0, 2.0],
|
||||
)
|
||||
|
||||
class FakeModel:
|
||||
def recognize(self, waveform, sample_rate, language=None):
|
||||
yield segment
|
||||
|
||||
result = OnnxAsrBackend().transcribe(FakeModel(), wav_file, language="ru")
|
||||
|
||||
assert result.words == [Word(start=12.0, end=12.0, text=" Позднее")]
|
||||
|
||||
def test_transcribe_calls_on_segment(self, monkeypatch, tmp_path):
|
||||
"""Verify on_segment callback is invoked per segment."""
|
||||
wav_file = tmp_path / "test.wav"
|
||||
@@ -477,7 +326,6 @@ class TestTranscribe:
|
||||
|
||||
def fake_decode_audio(path, sampling_rate=16000):
|
||||
import numpy as np
|
||||
|
||||
return np.array([0.0] * 16000, dtype=np.float32)
|
||||
|
||||
segments_captured = []
|
||||
@@ -491,9 +339,7 @@ class TestTranscribe:
|
||||
|
||||
backend = OnnxAsrBackend()
|
||||
backend.transcribe(
|
||||
FakeModel(),
|
||||
wav_file,
|
||||
language=None,
|
||||
FakeModel(), wav_file, language=None,
|
||||
on_segment=lambda s: segments_captured.append(s),
|
||||
)
|
||||
|
||||
@@ -508,7 +354,6 @@ class TestTranscribe:
|
||||
|
||||
def fake_decode_audio(path, sampling_rate=16000):
|
||||
import numpy as np
|
||||
|
||||
return np.array([0.0] * 16000, dtype=np.float32)
|
||||
|
||||
lang_received = []
|
||||
@@ -532,7 +377,6 @@ class TestTranscribe:
|
||||
|
||||
def fake_decode_audio(path, sampling_rate=16000):
|
||||
import numpy as np
|
||||
|
||||
return np.array([0.0] * 16000, dtype=np.float32)
|
||||
|
||||
class FakeModel:
|
||||
@@ -575,7 +419,6 @@ class TestTranscribe:
|
||||
class TestBackendRegistration:
|
||||
def test_get_backend_returns_onnx_backend(self):
|
||||
from local_transcriber.backends import get_backend
|
||||
|
||||
backend = get_backend("onnx")
|
||||
assert isinstance(backend, OnnxAsrBackend)
|
||||
|
||||
|
||||
@@ -1,231 +0,0 @@
|
||||
import hashlib
|
||||
import io
|
||||
import sys
|
||||
import tarfile
|
||||
from types import SimpleNamespace
|
||||
from unittest.mock import MagicMock, patch
|
||||
|
||||
import numpy as np
|
||||
import pytest
|
||||
|
||||
from local_transcriber.speaker_diarizer import SpeakerDiarizer, load_speaker_diarizer
|
||||
from local_transcriber.types import SpeakerInterval
|
||||
|
||||
|
||||
def test_process_returns_sorted_domain_intervals(tmp_path):
|
||||
audio = tmp_path / "meeting.mp3"
|
||||
raw_result = MagicMock()
|
||||
raw_result.sort_by_start_time.return_value = [
|
||||
SimpleNamespace(start=0.2, end=1.1, speaker=4),
|
||||
SimpleNamespace(start=1.3, end=2.0, speaker=2),
|
||||
]
|
||||
engine = MagicMock()
|
||||
engine.process.return_value = raw_result
|
||||
diarizer = SpeakerDiarizer(engine)
|
||||
samples = np.zeros(16_000, dtype=np.float32)
|
||||
|
||||
with patch("faster_whisper.decode_audio", return_value=samples) as decode:
|
||||
run = diarizer.process(audio)
|
||||
|
||||
assert run.intervals == [
|
||||
SpeakerInterval(start=0.2, end=1.1, cluster=4),
|
||||
SpeakerInterval(start=1.3, end=2.0, cluster=2),
|
||||
]
|
||||
decode.assert_called_once_with(str(audio), sampling_rate=16_000)
|
||||
engine.process.assert_called_once_with(samples)
|
||||
|
||||
|
||||
def test_process_reports_engine_progress(tmp_path):
|
||||
raw_result = MagicMock()
|
||||
raw_result.sort_by_start_time.return_value = []
|
||||
engine = MagicMock()
|
||||
|
||||
def process(samples, callback):
|
||||
assert callback(2, 4) == 0
|
||||
return raw_result
|
||||
|
||||
engine.process.side_effect = process
|
||||
statuses = []
|
||||
|
||||
with patch(
|
||||
"faster_whisper.decode_audio",
|
||||
return_value=np.zeros(16_000, dtype=np.float32),
|
||||
):
|
||||
SpeakerDiarizer(engine).process(
|
||||
tmp_path / "meeting.mp3",
|
||||
on_status=statuses.append,
|
||||
)
|
||||
|
||||
assert "Определяю говорящих... 2 / 4" in statuses
|
||||
|
||||
|
||||
def test_load_speaker_diarizer_uses_verified_cache_and_calibrated_config(
|
||||
tmp_path, monkeypatch
|
||||
):
|
||||
segmentation = tmp_path / "pyannote-segmentation-3.0.onnx"
|
||||
embedding = tmp_path / "wespeaker_en_voxceleb_resnet34_LM.onnx"
|
||||
segmentation.write_bytes(b"segmentation")
|
||||
embedding.write_bytes(b"embedding")
|
||||
monkeypatch.setattr(
|
||||
"local_transcriber.speaker_diarizer._SEGMENTATION_SHA256",
|
||||
hashlib.sha256(segmentation.read_bytes()).hexdigest(),
|
||||
)
|
||||
monkeypatch.setattr(
|
||||
"local_transcriber.speaker_diarizer._EMBEDDING_SHA256",
|
||||
hashlib.sha256(embedding.read_bytes()).hexdigest(),
|
||||
)
|
||||
|
||||
captured = {}
|
||||
|
||||
def config_factory(**kwargs):
|
||||
config = SimpleNamespace(**kwargs, validate=lambda: True)
|
||||
captured["config"] = config
|
||||
return config
|
||||
|
||||
engine = SimpleNamespace(sample_rate=16_000)
|
||||
sherpa = SimpleNamespace(
|
||||
OfflineSpeakerSegmentationPyannoteModelConfig=lambda **kwargs: SimpleNamespace(
|
||||
**kwargs
|
||||
),
|
||||
OfflineSpeakerSegmentationModelConfig=lambda **kwargs: SimpleNamespace(
|
||||
**kwargs
|
||||
),
|
||||
SpeakerEmbeddingExtractorConfig=lambda **kwargs: SimpleNamespace(**kwargs),
|
||||
FastClusteringConfig=lambda **kwargs: SimpleNamespace(**kwargs),
|
||||
OfflineSpeakerDiarizationConfig=config_factory,
|
||||
OfflineSpeakerDiarization=lambda config: engine,
|
||||
)
|
||||
|
||||
with (
|
||||
patch("huggingface_hub.cached_assets_path", return_value=tmp_path),
|
||||
patch.dict(sys.modules, {"sherpa_onnx": sherpa}),
|
||||
patch("httpx.stream", side_effect=AssertionError("network is not expected")),
|
||||
):
|
||||
diarizer = load_speaker_diarizer(speakers=None, threads=0)
|
||||
|
||||
config = captured["config"]
|
||||
assert config.clustering.num_clusters == -1
|
||||
assert config.clustering.threshold == 0.89
|
||||
assert config.min_duration_on == 0.3
|
||||
assert config.min_duration_off == 0.5
|
||||
assert not hasattr(config.segmentation, "num_threads")
|
||||
assert not hasattr(config.embedding, "num_threads")
|
||||
assert isinstance(diarizer, SpeakerDiarizer)
|
||||
|
||||
|
||||
def test_load_speaker_diarizer_downloads_and_verifies_missing_models(
|
||||
tmp_path, monkeypatch
|
||||
):
|
||||
segmentation_bytes = b"downloaded segmentation"
|
||||
embedding_bytes = b"downloaded embedding"
|
||||
archive_buffer = io.BytesIO()
|
||||
with tarfile.open(fileobj=archive_buffer, mode="w:bz2") as archive:
|
||||
member = tarfile.TarInfo("sherpa-onnx-pyannote-segmentation-3-0/model.onnx")
|
||||
member.size = len(segmentation_bytes)
|
||||
archive.addfile(member, io.BytesIO(segmentation_bytes))
|
||||
|
||||
monkeypatch.setattr(
|
||||
"local_transcriber.speaker_diarizer._SEGMENTATION_SHA256",
|
||||
hashlib.sha256(segmentation_bytes).hexdigest(),
|
||||
)
|
||||
monkeypatch.setattr(
|
||||
"local_transcriber.speaker_diarizer._EMBEDDING_SHA256",
|
||||
hashlib.sha256(embedding_bytes).hexdigest(),
|
||||
)
|
||||
|
||||
class FakeResponse:
|
||||
def __init__(self, content):
|
||||
self.content = content
|
||||
|
||||
def __enter__(self):
|
||||
return self
|
||||
|
||||
def __exit__(self, *args):
|
||||
return False
|
||||
|
||||
def raise_for_status(self):
|
||||
return None
|
||||
|
||||
def iter_bytes(self):
|
||||
yield self.content
|
||||
|
||||
requested_urls = []
|
||||
|
||||
def fake_stream(method, url, **kwargs):
|
||||
requested_urls.append(url)
|
||||
content = (
|
||||
archive_buffer.getvalue() if "segmentation" in url else embedding_bytes
|
||||
)
|
||||
return FakeResponse(content)
|
||||
|
||||
config = SimpleNamespace(validate=lambda: True)
|
||||
engine = SimpleNamespace(sample_rate=16_000)
|
||||
sherpa = SimpleNamespace(
|
||||
OfflineSpeakerSegmentationPyannoteModelConfig=lambda **kwargs: SimpleNamespace(
|
||||
**kwargs
|
||||
),
|
||||
OfflineSpeakerSegmentationModelConfig=lambda **kwargs: SimpleNamespace(
|
||||
**kwargs
|
||||
),
|
||||
SpeakerEmbeddingExtractorConfig=lambda **kwargs: SimpleNamespace(**kwargs),
|
||||
FastClusteringConfig=lambda **kwargs: SimpleNamespace(**kwargs),
|
||||
OfflineSpeakerDiarizationConfig=lambda **kwargs: config,
|
||||
OfflineSpeakerDiarization=lambda actual_config: engine,
|
||||
)
|
||||
|
||||
with (
|
||||
patch("huggingface_hub.cached_assets_path", return_value=tmp_path),
|
||||
patch.dict(sys.modules, {"sherpa_onnx": sherpa}),
|
||||
patch("httpx.stream", side_effect=fake_stream),
|
||||
):
|
||||
load_speaker_diarizer(speakers=2, threads=4)
|
||||
|
||||
assert (
|
||||
tmp_path / "pyannote-segmentation-3.0.onnx"
|
||||
).read_bytes() == segmentation_bytes
|
||||
assert (
|
||||
tmp_path / "wespeaker_en_voxceleb_resnet34_LM.onnx"
|
||||
).read_bytes() == embedding_bytes
|
||||
assert len(requested_urls) == 2
|
||||
assert list(tmp_path.glob("*.tmp")) == []
|
||||
|
||||
|
||||
def test_load_speaker_diarizer_keeps_corrupt_cache_when_download_is_invalid(
|
||||
tmp_path, monkeypatch
|
||||
):
|
||||
segmentation = tmp_path / "pyannote-segmentation-3.0.onnx"
|
||||
segmentation.write_bytes(b"existing corrupt model")
|
||||
monkeypatch.setattr(
|
||||
"local_transcriber.speaker_diarizer._SEGMENTATION_SHA256",
|
||||
hashlib.sha256(b"expected model").hexdigest(),
|
||||
)
|
||||
|
||||
archive_buffer = io.BytesIO()
|
||||
with tarfile.open(fileobj=archive_buffer, mode="w:bz2") as archive:
|
||||
payload = b"wrong downloaded model"
|
||||
member = tarfile.TarInfo("sherpa-onnx-pyannote-segmentation-3-0/model.onnx")
|
||||
member.size = len(payload)
|
||||
archive.addfile(member, io.BytesIO(payload))
|
||||
|
||||
class FakeResponse:
|
||||
def __enter__(self):
|
||||
return self
|
||||
|
||||
def __exit__(self, *args):
|
||||
return False
|
||||
|
||||
def raise_for_status(self):
|
||||
return None
|
||||
|
||||
def iter_bytes(self):
|
||||
yield archive_buffer.getvalue()
|
||||
|
||||
with (
|
||||
patch("huggingface_hub.cached_assets_path", return_value=tmp_path),
|
||||
patch("httpx.stream", return_value=FakeResponse()),
|
||||
pytest.raises(RuntimeError, match="Контрольная сумма"),
|
||||
):
|
||||
load_speaker_diarizer(speakers=None)
|
||||
|
||||
assert segmentation.read_bytes() == b"existing corrupt model"
|
||||
assert list(tmp_path.glob("*.tmp")) == []
|
||||
@@ -11,7 +11,7 @@ from local_transcriber.transcriber import (
|
||||
load_model,
|
||||
transcribe,
|
||||
)
|
||||
from local_transcriber.types import WordTimestampsUnavailableError
|
||||
|
||||
|
||||
# === Helpers ===
|
||||
|
||||
@@ -314,9 +314,7 @@ def test_load_model_returns_backend_and_path(mock_get_backend):
|
||||
backend = _make_backend(model_path="/mock/model/path")
|
||||
mock_get_backend.return_value = backend
|
||||
|
||||
model, actual_device, returned_backend, model_path = load_model(
|
||||
"tiny", "cpu", "int8"
|
||||
)
|
||||
model, actual_device, returned_backend, model_path = load_model("tiny", "cpu", "int8")
|
||||
|
||||
assert returned_backend is backend
|
||||
assert model_path == "/mock/model/path"
|
||||
@@ -391,9 +389,7 @@ def test_ensure_model_available_uses_cache_first(mock_snapshot_download, tmp_pat
|
||||
|
||||
@patch("local_transcriber.backends.faster_whisper._validate_model_dir")
|
||||
@patch("local_transcriber.backends.faster_whisper.snapshot_download")
|
||||
def test_ensure_model_available_downloads_on_cache_miss(
|
||||
mock_snapshot_download, mock_validate_model_dir
|
||||
):
|
||||
def test_ensure_model_available_downloads_on_cache_miss(mock_snapshot_download, mock_validate_model_dir):
|
||||
from huggingface_hub.errors import LocalEntryNotFoundError
|
||||
|
||||
mock_snapshot_download.side_effect = [
|
||||
@@ -437,9 +433,7 @@ def test_ensure_model_available_rejects_unsupported_alias():
|
||||
|
||||
|
||||
@patch("local_transcriber.backends.faster_whisper.snapshot_download")
|
||||
def test_ensure_model_available_redownloads_incomplete_cache(
|
||||
mock_snapshot_download, tmp_path
|
||||
):
|
||||
def test_ensure_model_available_redownloads_incomplete_cache(mock_snapshot_download, tmp_path):
|
||||
incomplete = tmp_path / "incomplete"
|
||||
incomplete.mkdir()
|
||||
(incomplete / "config.json").write_text("{}")
|
||||
@@ -495,9 +489,7 @@ def test_load_model_openvino_gpu_fallback_to_cpu(mock_get_backend):
|
||||
|
||||
with pytest.warns(UserWarning, match="Переключение на CPU"):
|
||||
model, actual_device, backend, model_path = load_model(
|
||||
"medium",
|
||||
"openvino-gpu",
|
||||
"fp16",
|
||||
"medium", "openvino-gpu", "fp16",
|
||||
)
|
||||
|
||||
assert actual_device == "cpu"
|
||||
@@ -522,9 +514,7 @@ def test_load_model_openvino_cpu_fallback_to_cpu(mock_get_backend):
|
||||
|
||||
with pytest.warns(UserWarning, match="Переключение на CPU"):
|
||||
model, actual_device, backend, model_path = load_model(
|
||||
"medium",
|
||||
"openvino-cpu",
|
||||
"int8",
|
||||
"medium", "openvino-cpu", "int8",
|
||||
)
|
||||
|
||||
assert actual_device == "cpu"
|
||||
@@ -565,28 +555,6 @@ def test_transcribe_file_openvino_gpu_midstream_fallback(mock_get_backend):
|
||||
assert tfr.model_path == "/mock/cpu/model"
|
||||
|
||||
|
||||
@patch("local_transcriber.transcriber.get_backend")
|
||||
def test_transcribe_file_does_not_fallback_for_missing_word_timestamps(
|
||||
mock_get_backend,
|
||||
):
|
||||
ov_backend = _make_backend(
|
||||
transcribe_error=WordTimestampsUnavailableError("нет таймкодов"),
|
||||
)
|
||||
|
||||
with pytest.raises(WordTimestampsUnavailableError, match="нет таймкодов"):
|
||||
_transcribe_file(
|
||||
model=MagicMock(),
|
||||
actual_device="openvino-gpu",
|
||||
backend=ov_backend,
|
||||
model_path="/mock/ov/model",
|
||||
file_path=Path("test.mp3"),
|
||||
model_name="medium",
|
||||
compute_type="fp16",
|
||||
)
|
||||
|
||||
mock_get_backend.assert_not_called()
|
||||
|
||||
|
||||
@patch("local_transcriber.transcriber.get_backend")
|
||||
def test_transcribe_file_midstream_fallback_preserves_cpu_threads(mock_get_backend):
|
||||
ov_backend = _make_backend(
|
||||
|
||||
@@ -259,13 +259,11 @@ version = "0.1.0"
|
||||
source = { editable = "." }
|
||||
dependencies = [
|
||||
{ name = "faster-whisper" },
|
||||
{ name = "httpx" },
|
||||
{ name = "nvidia-cublas-cu12", marker = "platform_machine == 'x86_64' and sys_platform == 'linux'" },
|
||||
{ name = "onnx-asr", extra = ["cpu", "hub"] },
|
||||
{ name = "onnxruntime" },
|
||||
{ name = "openvino-genai", marker = "(platform_machine == 'AMD64' and sys_platform != 'darwin') or (platform_machine == 'x86_64' and sys_platform != 'darwin')" },
|
||||
{ name = "rich" },
|
||||
{ name = "sherpa-onnx" },
|
||||
{ name = "socksio" },
|
||||
{ name = "typer" },
|
||||
]
|
||||
@@ -278,13 +276,11 @@ dev = [
|
||||
[package.metadata]
|
||||
requires-dist = [
|
||||
{ name = "faster-whisper", specifier = ">=1.2.1,<2" },
|
||||
{ name = "httpx", specifier = ">=0.28,<1" },
|
||||
{ name = "nvidia-cublas-cu12", marker = "platform_machine == 'x86_64' and sys_platform == 'linux'", specifier = ">=12.4,<13" },
|
||||
{ name = "onnx-asr", extras = ["cpu", "hub"], specifier = ">=0.12,<0.13" },
|
||||
{ name = "onnxruntime", specifier = ">=1.28,<2" },
|
||||
{ name = "openvino-genai", marker = "(platform_machine == 'AMD64' and sys_platform != 'darwin') or (platform_machine == 'x86_64' and sys_platform != 'darwin')", specifier = ">=2026.3.0.0,<2026.4" },
|
||||
{ name = "rich", specifier = ">=14.3.3,<15" },
|
||||
{ name = "sherpa-onnx", specifier = ">=1.13.5,<2" },
|
||||
{ name = "socksio", specifier = ">=1.0.0,<2" },
|
||||
{ name = "typer", specifier = ">=0.24.1,<1" },
|
||||
]
|
||||
@@ -597,32 +593,6 @@ wheels = [
|
||||
{ url = "https://files.pythonhosted.org/packages/e0/f9/0595336914c5619e5f28a1fb793285925a8cd4b432c9da0a987836c7f822/shellingham-1.5.4-py2.py3-none-any.whl", hash = "sha256:7ecfff8f2fd72616f7481040475a65b2bf8af90a56c89140852d1120324e8686", size = 9755, upload-time = "2023-10-24T04:13:38.866Z" },
|
||||
]
|
||||
|
||||
[[package]]
|
||||
name = "sherpa-onnx"
|
||||
version = "1.13.5"
|
||||
source = { registry = "https://pypi.org/simple" }
|
||||
sdist = { url = "https://files.pythonhosted.org/packages/6d/a1/8a7d8751bc71a0814f3b9332717909512a5ff919d07ed53e4baa861ef8c7/sherpa_onnx-1.13.5.tar.gz", hash = "sha256:14bebfe71365a2c678dd94cd08efa8e79df06318b17fe8e97b2e802a7881fd5a", size = 1037285, upload-time = "2026-08-11T08:17:31.817Z" }
|
||||
wheels = [
|
||||
{ url = "https://files.pythonhosted.org/packages/61/6f/b70ae4c7e367e3d2dca99efc65152d22ad5d942619add19172d24267c14b/sherpa_onnx-1.13.5-cp313-cp313-linux_armv7l.whl", hash = "sha256:15a02d9d74143f336156cb8b4da826bc65c11daa28bd5c9099e9397b3660e7df", size = 11999210, upload-time = "2026-08-11T09:26:07.356Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/9e/ec/d471d042cc85c505515e3fbaed55223f54718a9ac3a8f228a8e1b81dab6d/sherpa_onnx-1.13.5-cp313-cp313-macosx_10_15_universal2.whl", hash = "sha256:371b0eb51caa12f5f3e9c327c440a4aee6f77c163c89666469844eaefb7d5351", size = 4439247, upload-time = "2026-08-11T08:30:33.777Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/28/58/2f60eb29db5f41c01ad844be34ed1adfdecce9493b12cc20bbdc6b6ad5a8/sherpa_onnx-1.13.5-cp313-cp313-macosx_10_15_x86_64.whl", hash = "sha256:2bdfefa5d16896c90d1685bde43682818e70b95e134dccc95b91dc0819adde1c", size = 2340028, upload-time = "2026-08-11T07:18:47.753Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/6e/71/25f067216edcde5e78cf0d9a7ac053a2b3b17bdf131acac69447daa23356/sherpa_onnx-1.13.5-cp313-cp313-macosx_11_0_arm64.whl", hash = "sha256:05a3effd8ea5ee78735bc28909c0fce26d9f23bf61db663e6f75f04ec0247ba4", size = 2137522, upload-time = "2026-08-11T07:43:35.186Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/5a/77/b36cd40906bef1b3a6593200587eea5c4e7c1e94d29c4fd88a876e1cd6ca/sherpa_onnx-1.13.5-cp313-cp313-manylinux2014_aarch64.manylinux_2_17_aarch64.whl", hash = "sha256:f5a6cc5ac96043670faa0f5c0e56310315a4600cf7b764fee014e7dd75fda00f", size = 4167203, upload-time = "2026-08-11T07:48:34.601Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/9a/3b/817cdb5770f8beafd22a04a8eda0c8253a6d07a518a09ce982d6e4152e3c/sherpa_onnx-1.13.5-cp313-cp313-manylinux2014_x86_64.manylinux_2_17_x86_64.whl", hash = "sha256:cb7c1f5ca5455b3ec008f3e09438bca6038d22b4fe5d64adb5c09bb6b84eeb82", size = 4392107, upload-time = "2026-08-11T08:03:49.714Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/55/75/b8494e30923a18db144e0035851f0364c32e63d776b62f3d2667f717f499/sherpa_onnx-1.13.5-cp313-cp313-win32.whl", hash = "sha256:80d9ec3ce2fe8b566285ef92fa2e72b4fa0aee10f73290ac74219fe415806980", size = 1961338, upload-time = "2026-08-11T08:35:46.591Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/5e/28/e8644784a897e4ba6cdc7a635d821107ce31567c90e1835a0c008ba2a322/sherpa_onnx-1.13.5-cp313-cp313-win_amd64.whl", hash = "sha256:440174433b5d3f855a800d757e66812e998ec9715f5f42690afb27a6ff456586", size = 2279915, upload-time = "2026-08-11T08:51:50.171Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/02/99/1aa369391f62a2753b5d97b0b9ecd99475410c51eada10f7079628a58c4f/sherpa_onnx-1.13.5-cp313-cp313-win_arm64.whl", hash = "sha256:38de7f31754dfa7212beb4cc773ba05f78d028adb4c0e008920128388657f778", size = 2239783, upload-time = "2026-08-11T07:46:44.679Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/21/a3/ac238819cca1955b6b80ae802671cc7e4d688c673fb98001c21111922045/sherpa_onnx-1.13.5-cp314-cp314-linux_armv7l.whl", hash = "sha256:a224466e750a435089311d4c763617a4d83478a2f958c311b473ea59f9cce3ae", size = 11997852, upload-time = "2026-08-11T08:54:11.47Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/02/82/3f5b50f84b9a8571bdfe9939983a8e6dff75110961305315887bbc83f626/sherpa_onnx-1.13.5-cp314-cp314-macosx_10_15_universal2.whl", hash = "sha256:1a4ea5fa45caf31093ff832ab4d198e097edbeeb2244a0d4f958e96bf888110a", size = 4442303, upload-time = "2026-08-11T07:36:28.234Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/fe/90/6d3a1112bc4496b0b918d3a807036912f1f34fb4a4dc506f0cabf398c4a9/sherpa_onnx-1.13.5-cp314-cp314-macosx_10_15_x86_64.whl", hash = "sha256:7582ca42ed2d80bacc984b46904cbdd058ec2b6149a8c8996d7263217a4cc963", size = 2340527, upload-time = "2026-08-11T07:54:35.482Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/84/9d/0cb152e3fd1aa5787ade99c4863cd8cf80d800b879e8ff47f8f99412af78/sherpa_onnx-1.13.5-cp314-cp314-macosx_11_0_arm64.whl", hash = "sha256:97471fe025fc1d655a1df2f4ffb5d3fe843c269f2016d5e1cca4b0d168a49169", size = 2140247, upload-time = "2026-08-11T08:23:33.405Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/e6/84/38531f16e2c2a0b077257b25c34c02a1c8f7f1f833d5bb61e2b2f510e260/sherpa_onnx-1.13.5-cp314-cp314-manylinux2014_aarch64.manylinux_2_17_aarch64.whl", hash = "sha256:2a51751f6c925c405ef6ebcb2f7c44794810da79d0f2743fe57ee3daa5bc4df5", size = 4172385, upload-time = "2026-08-11T08:00:34.952Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/45/91/56a439945713a5cf49080a833fbd0953936fcd50c651c17afe64478c9922/sherpa_onnx-1.13.5-cp314-cp314-manylinux2014_x86_64.manylinux_2_17_x86_64.whl", hash = "sha256:eb4d580d959e16c42dbd404cef0f5764ed1c024edf48d3edc43b5e2f1c96f069", size = 4393503, upload-time = "2026-08-11T07:38:11.97Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/d5/27/cbdfa8bdcf618b28ec5cf383b073be851ff3178ea06d6f1a0fcb3c7532e8/sherpa_onnx-1.13.5-cp314-cp314-win32.whl", hash = "sha256:64cb492cf8a9751f632685c6f169fef7e5a2f449efb9923bc21b6e783a911dba", size = 2000807, upload-time = "2026-08-11T08:57:11.235Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/d6/c2/162840897a528a528bc0f76cf3516d4e3ac1445db9089caf7733df756cfc/sherpa_onnx-1.13.5-cp314-cp314-win_amd64.whl", hash = "sha256:001e1c3440fe335a589c9283a68105f379ffb63f2d1d7c2878e99a5d72eaf5af", size = 2345302, upload-time = "2026-08-11T08:11:46.752Z" },
|
||||
{ url = "https://files.pythonhosted.org/packages/28/5e/9a9c63e1dcd646c5f21df6d16e6770fedd956f8a54241f3382343c6289af/sherpa_onnx-1.13.5-cp314-cp314-win_arm64.whl", hash = "sha256:a7e97d8457a51725ffa3fcb44cb1d57bfdb780bc390a9460a65e05bf3d2851b4", size = 2303336, upload-time = "2026-08-11T07:33:25.917Z" },
|
||||
]
|
||||
|
||||
[[package]]
|
||||
name = "socksio"
|
||||
version = "1.0.0"
|
||||
|
||||
Reference in New Issue
Block a user