local-transcriber

Локальная транскрипция аудио и видео в markdown — без облака, без API-ключей.

transcribe meeting.mp4
# → meeting-transcript.md

• Полностью локально — данные не покидают машину
• Авто-GPU — автоматически использует NVIDIA CUDA, если доступен
• Батч-режим — обработка нескольких файлов за один вызов
• Markdown с таймкодами — удобен для суммаризации ИИ
• Аудио и видео — mp3, wav, mp4, mkv и другие форматы

Установка

1. Установить uv (если ещё нет):

curl -LsSf https://astral.sh/uv/install.sh | sh          # Linux / macOS

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"  # Windows

2. Установить transcriber:

uv tool install git+https://github.com/dementev-dev/local-transcriber

3. Готово:

transcribe meeting.mp4

Модели скачиваются автоматически при первом запуске (~1.5 GB для medium), нужен доступ в интернет.

transcribe: command not found

Выполните uv tool update-shell — это добавит нужный путь в PATH автоматически.

Обновление:

uv tool install --force git+https://github.com/dementev-dev/local-transcriber

Использование

# Простой запуск (medium, русский, автодетект устройства)
transcribe meeting.mp4

# Указать язык
transcribe lecture.mp3 --language en

# Максимальное качество на GPU
transcribe podcast.wav --model large-v3 --compute-type float16

# Сохранить в конкретный файл
transcribe interview.m4a --output result.md

Батч-режим

Обработка нескольких файлов за один вызов — модель загружается один раз:

# Все mp4 в директории
transcribe ./recordings/*.mp4

# Несколько файлов
transcribe meeting1.mp3 meeting2.mp3

# Перезаписать существующие транскрипты
transcribe *.mp4 --force

• Файлы с существующим транскриптом (*-transcript.md) автоматически пропускаются
• --force / -f — перезаписать существующие транскрипты
• При ошибке в одном файле остальные продолжают обрабатываться
• --output несовместим с несколькими файлами

Опции CLI

Опция	Сокращение	По умолчанию	Описание
--model	-m	medium	Модель Whisper
--language	-l	ru	Язык (ru, en, auto и др.)
--output	-o	<файл>-transcript.md	Путь к выходному файлу
--device	-d	auto	Устройство (auto, cpu, cuda)
--compute-type	—	float16 (GPU) / float32 (CPU)	Тип вычислений
--force	-f	—	Перезаписать существующие транскрипты
--verbose	-v	—	Подробный вывод

Платформы

	Linux / WSL2	macOS	Windows
CPU	✅	✅	✅
GPU (NVIDIA)	✅ авто	—	✅ (нужен CUDA toolkit)

Linux / WSL2

• GPU работает из коробки — cuBLAS ставится автоматически как зависимость
• Нужен только драйвер NVIDIA (проверка: nvidia-smi)
• На ARM (aarch64) cuBLAS через pip недоступен — нужен системный CUDA toolkit

macOS

• Работает на CPU (Intel и Apple Silicon)
• GPU (CUDA) недоступен — NVIDIA не поддерживает macOS

Windows

• CPU работает из коробки
• Для GPU нужен CUDA toolkit:

  winget install -e --id Nvidia.CUDA
  

  winget install требует запуска от имени администратора (elevated terminal). uv tool install работает без админа (ставит в пользовательскую директорию).

• После установки CUDA перезапустите терминал

Конфигурация

Дефолтные параметры можно задать в .transcriber.toml:

model = "large-v3"
language = "en"

Порядок поиска:

1. .transcriber.toml в текущей директории
2. ~/.config/transcriber/config.toml

Приоритет: CLI-аргумент > конфиг > device-aware дефолт > встроенный дефолт.

Дефолты зависят от устройства:

Параметр	GPU (CUDA)	CPU
model	medium	medium
compute_type	float16	float32
language	ru	ru

Модели и GPU

Рекомендации:

• По умолчанию: medium — хороший баланс скорости и качества
• Макс. качество: large-v3 + --compute-type float16 (GPU)
• Быстрый тест: tiny — для проверки пайплайна

Таблица моделей

Модель	Размер на диске	VRAM (int8)	Скорость (GPU)	Качество
tiny	~75 MB	~1 GB	★★★★★	★
base	~140 MB	~1 GB	★★★★	★★
small	~460 MB	~1.5 GB	★★★	★★★
medium	~1.5 GB	~2.5 GB	★★	★★★★
large-v3	~3 GB	~2.5 GB	★	★★★★★

Типы квантизации (--compute-type)

Тип	Устройство	VRAM/RAM	Качество	Когда использовать
float16	GPU	~4.5-5 GB	Отлично	По умолчанию для GPU
int8_float16	GPU	~4.7 GB	Отлично	GPU от 6 GB, альтернатива float16
int8	GPU/CPU	Низкое	Хорошо, но бывают галлюцинации	GPU от 4 GB, CPU
float32	CPU	Среднее	Отлично	По умолчанию для CPU

Важно: int8 на длинных записях может давать галлюцинации (повтор фраз, потеря контента). float16 и float32 значительно стабильнее на записях >20 минут.

Подробнее: бенчмарки, совместимость GPU, результаты тестирования — docs/gpu.md.

Формат вывода

# Транскрипт: meeting.mp4

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

---

[00:00:00.00 - 00:00:15.40] Добрый день, коллеги. Сегодня мы обсудим результаты
квартала. Первый вопрос — по метрикам продукта.

[00:00:18.10 - 00:00:25.73] Теперь перейдём к финансовым показателям.

Близкие по времени сегменты автоматически объединяются в абзацы (пауза > 2 сек или длительность > 60 сек разделяет абзацы). Таймкоды: MM:SS.ss, для записей длиннее 1 часа — HH:MM:SS.ss.

Поддерживаемые форматы

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

Для разработчиков

git clone https://github.com/dementev-dev/local-transcriber
cd local-transcriber
uv sync
uv run transcribe meeting.mp4   # запуск CLI
uv run pytest                    # тесты

Подробнее — CONTRIBUTING.md.