# PRD: local-transcriber — Локальный CLI для транскрипции аудио/видео

## 1. Обзор продукта

**Название**: `local-transcriber`
**Тип**: CLI-утилита (Python, управление зависимостями через uv)
**Назначение**: Принимает аудио- или видеофайл, выполняет распознавание речи локально (без внешних API), и создаёт рядом с исходным файлом markdown-файл с транскриптом и таймкодами.

**Пример использования**:
```bash
transcribe meeting-2026-03-17.mp4
# → создаёт meeting-2026-03-17-transcript.md
```

## 2. Целевые пользователи и сценарии

- Разработчик/инженер, которому нужен текст из записи встречи, лекции, подкаста
- Дальнейшая обработка транскрипта ИИ (суммаризация, извлечение action items и т.д.) — вне скоупа, но учитывается в формате вывода
- Машины с GPU (NVIDIA, CUDA) и без GPU (CPU-only fallback)
- Windows (native / WSL2) и Linux

## 3. Функциональные требования

### 3.1. Основной flow

1. Пользователь вызывает CLI, передаёт путь к файлу (или glob-маску, post-MVP)
2. Файл валидируется по пути, размеру и расширению
3. По `device` выбирается backend; аудио декодируется через PyAV без отдельного
   извлечения дорожки
4. Результат форматируется в markdown с таймкодами
5. Файл `<имя>-transcript.md` сохраняется рядом с исходным (кодировка: UTF-8)

**Поведение при перезаписи**:
- Явный вызов по файлу → транскрипт перезаписывается, даже если уже существует
- Батч-режим (glob-маска, post-MVP) → пропускать файлы, для которых транскрипт уже существует; `--force` для принудительной перезаписи

**Пустая речь**: если модель не распознала ни одного сегмента — файл транскрипта всё равно создаётся (шапка с метаданными + `*Речь не обнаружена.*` в теле), выводится предупреждение в stderr: `⚠ Речь не обнаружена в файле <имя>`

### 3.2. CLI-интерфейс

```
transcribe <путь_к_файлу> [опции]

Опции:
  --model, -m       Модель распознавания
                    По умолчанию: medium (CUDA) / gigaam-v3-e2e-rnnt (ONNX)
  --language, -l    Язык (ru|en|auto)
                    По умолчанию: ru
  --output, -o      Путь к выходному файлу
                    По умолчанию: <input_stem>-transcript.md
  --device, -d      Устройство (auto|cpu|cuda|onnx|openvino|openvino-gpu|openvino-cpu)
                    По умолчанию: auto (CUDA при наличии, иначе ONNX CPU)
  --compute-type    Тип вычислений
                    По умолчанию: float16 (CUDA) / int8 (ONNX)
  --verbose, -v     Подробный вывод (прогресс сегментов)
```

### 3.3. Формат выходного файла

Файл `*-transcript.md`:

```markdown
# Транскрипт: meeting-2026-03-17.mp4

- **Дата транскрипции**: 2026-03-17 14:30:05
- **Модель**: large-v3
- **Язык**: ru (detected) / ru (forced)
- **Длительность**: 01:23:45
- **Устройство**: CUDA (NVIDIA GeForce RTX 3060)

---

[00:00.00 - 00:04.82] Добрый день, коллеги. Сегодня мы обсудим результаты квартала.

[00:04.82 - 00:09.15] Первый вопрос — по метрикам продукта.

[00:09.15 - 00:15.40] Как вы видите на слайде, MAU вырос на двадцать три процента
по сравнению с предыдущим кварталом.

...
```

**Правила форматирования**:
- Таймкоды в формате `[MM:SS.ss - MM:SS.ss]` (минуты:секунды.сотые)
- Для записей длиннее 1 часа — `[HH:MM:SS.ss - HH:MM:SS.ss]`
- Соседние сегменты объединяются в абзац до паузы 2 секунды или длительности 60 секунд
- Метаданные в шапке файла
- Пустая строка между абзацами для читаемости

### 3.4. Поддерживаемые форматы

**Аудио**: mp3, wav, flac, ogg, m4a, wma, aac
**Видео**: mp4, mkv, avi, mov, webm, ts

Определение типа — по расширению. Фактическое декодирование выполняет PyAV с
встроенными библиотеками FFmpeg; системная установка `ffmpeg` не требуется.

## 4. Нефункциональные требования

### 4.1. Производительность

| Конфигурация              | Ожидаемая скорость (real-time factor) |
|---------------------------|---------------------------------------|
| RTX 3060 + large-v3       | ~10-15x (1 час аудио ≈ 4-6 мин)      |
| RTX 4050 + large-v3       | ~12-18x (1 час аудио ≈ 3-5 мин)      |
| Quadro M3000M + large-v3  | ~3-5x (1 час аудио ≈ 12-20 мин)      |
| CPU + ONNX GigaAM RNN-T   | ~10-14x (1 час аудио ≈ 4-6 мин)      |
| CPU + OpenVINO Turbo INT8 | ~7-10x (1 час аудио ≈ 6-9 мин)       |
| CPU (modern) + large-v3   | ~0.5-1x (1 час аудио ≈ 60-120 мин)   |
| CPU + small               | ~3-5x (1 час аудио ≈ 12-20 мин)      |

### 4.1.1. Совместимость GPU

| GPU               | VRAM  | large-v3 int8 (~2.5 GB) | large-v3 float16 (~4.5 GB) | Рекомендация            |
|-------------------|-------|--------------------------|----------------------------|-------------------------|
| RTX 3060          | 6 GB  | ✅                        | ✅ (впритык)                | int8 — безопасный выбор |
| RTX 4050          | 6 GB  | ✅                        | ✅ (впритык)                | int8 — безопасный выбор |
| Quadro M3000M     | 4 GB  | ✅                        | ⚠️ может OOM               | int8 обязательно        |
| Без GPU           | —     | ONNX GigaAM INT8         | —                          | auto выбирает ONNX      |

Device-aware дефолты выбирают `float16` для CUDA и `int8` для ONNX/OpenVINO.

### 4.2. Требования к окружению

- Python ≥ 3.13
- Для GPU: Linux/WSL2 — cuBLAS из nvidia-cublas-cu12 (ставится автоматически через `uv sync`); Windows — системный CUDA toolkit (см. ADR-001)
- Дисковое пространство для моделей: зависит от выбранного backend и модели
- Выходные файлы: UTF-8 (явная кодировка при записи)

### 4.3. Кроссплатформенность

- Linux: нативный запуск
- Windows: нативный Python или WSL2
- macOS: ONNX CPU в auto-режиме; FasterWhisper CPU доступен явно

## 5. Технический стек

| Компонент           | Технология                                      |
|---------------------|-------------------------------------------------|
| Язык                | Python 3.13+                                    |
| Управление проектом | uv (pyproject.toml)                             |
| Распознавание речи  | faster-whisper, ONNX Runtime, OpenVINO GenAI    |
| Медиа-декодирование | PyAV со встроенными библиотеками FFmpeg         |
| CLI-фреймворк       | typer                                           |
| Прогресс            | rich (progress bar + статус)                    |

### 5.1. Почему несколько backend

- faster-whisper оптимизирован для NVIDIA CUDA и поддерживает много языков
- ONNX GigaAM RNN-T даёт быстрый читаемый результат на CPU
- OpenVINO предоставляет явные профили для Intel GPU и x86 CPU
- Все backend работают локально через Python API, без Docker и облачных ключей
- Модели загружаются автоматически и кешируются локально

### 5.2. Структура проекта

```
local-transcriber/
├── pyproject.toml
├── README.md
├── src/
│   └── local_transcriber/
│       ├── __init__.py
│       ├── cli.py          # CLI entry point (typer)
│       ├── transcriber.py  # Оркестрация backend и fallback
│       ├── backends/       # Адаптеры FasterWhisper, ONNX и OpenVINO
│       ├── formatter.py    # Форматирование в markdown
│       └── utils.py        # Проверки файлов и определение device
└── tests/
    └── ...
```

## 6. Риски и ограничения

| Риск | Влияние | Митигация |
|------|---------|-----------|
| Качество распознавания русского текста | Среднее | large-v3 хорошо справляется с ru; при проблемах — попробовать `--language ru` вместо auto |
| Нет разделения по спикерам | Низкое | Осознанно выведено за скоуп MVP; добавление diarization (pyannote.audio) — возможное расширение |
| Первый запуск: долгая загрузка модели | Низкое | Прогресс-бар при скачивании; модели кешируются в `~/.cache/huggingface/` |
| CUDA несовместимость на Windows | Среднее | Автоматический fallback на CPU + предупреждение; в README — инструкция по CUDA |
| Большие файлы (>2 часов) | Среднее | Учитывать память выбранного backend; чанкование рассматривается отдельно |
| OOM на GPU с 4 GB VRAM | Среднее | CUDA использует float16; при OOM — fallback на CPU с предупреждением или явный более лёгкий профиль |
| Файл без речи (тишина, музыка, шум) | Низкое | Создаётся транскрипт с шапкой метаданных и `*Речь не обнаружена.*` в теле + предупреждение в stderr |

## 7. Вне скоупа MVP

- Разделение по спикерам (speaker diarization)
- Веб-интерфейс / GUI
- Пакетная обработка нескольких файлов (батч) — см. post-MVP
- Стриминг с микрофона (real-time)
- Интеграция с LLM для пост-обработки транскрипта
- Перевод (translation mode)
- Вывод в форматах SRT / VTT / JSON
- Аудиофильтрация / шумоподавление (faster-whisper сам нормализует; ручной препроцессинг может ухудшить результат)

## 8. Возможные расширения (post-MVP)

1. **Speaker diarization** — pyannote.audio, требует отдельной модели + GPU
2. **Батч-режим** — `transcribe ./recordings/*.mp4`; по умолчанию пропускает файлы, для которых транскрипт уже есть; `--force` для перезаписи
3. **Экспорт в SRT/VTT** — для субтитров
4. **Watch-режим** — мониторинг директории, автотранскрипция новых файлов
5. **Интеграция с LLM** — `--summarize` для генерации саммари поверх транскрипта
6. **Конфигурационный файл** — `.transcriber.toml` для дефолтов проекта