| name | transcribe-audio-local |
| description | Локальная транскрибация аудиофайлов без отправки в облако. Используй когда пользователь просит транскрибировать запись, расшифровать аудио, сделать конспект встречи, преобразовать речь в текст. Только для аудио (m4a/mp3/wav/ogg/flac/aac/wma/opus). Движок: faster-whisper CUDA + опц. диаризация sherpa-onnx GPU (CUDA, RTF ~0.24). Поддерживает разделение по спикерам. |
/transcribe-audio-local - Локальная транскрибация аудио
Локальный движок: faster-whisper (CUDA) + опц. диаризация sherpa-onnx GPU (CUDA) с моделями pyannote-segmentation-3.0 + 3D-Speaker eres2net. Нет затрат, ничего не уходит наружу.
На RTX 5070 Ti Laptop: ~6-7 мин на 30 мин аудио (RTF ~0.24). Только аудио, видео не поддерживается.
Установка (один раз)
python scripts/setup.py
Подробнее в README.md. После установки venv-whisper и venv-sherpa создаются рядом со скилом, модели качаются в models/.
Для агента (Claude Code и подобные)
Workflow первого использования:
-
Проверь, установлен ли скил — есть ли файл ~/.claude/skills/transcribe-audio-local/venv-whisper/Scripts/python.exe (на Linux: venv-whisper/bin/python). Если есть - переходи к шагу 4.
-
Если не установлен — запусти setup. Установка занимает 10-20 минут (faster-whisper + ctranslate2-CUDA + sherpa-onnx + скачивание моделей). Дефолтный Bash-таймаут 2 минуты не подходит:
- В Claude Code Bash tool используй
run_in_background: true или timeout: 1500000 (25 мин).
- В других runtime - аналогичный длинный таймаут.
python ~/.claude/skills/transcribe-audio-local/scripts/setup.py
Что setup сделает сам:
- Создаст venv-whisper и venv-sherpa
- Если
ffmpeg нет в PATH — поставит static-ffmpeg (pip-пакет с бинарниками) в venv-whisper. Без прав админа.
- Скачает модели диаризации
- Проверит версию драйверов NVIDIA и предупредит, если они старее 525.x
Что setup НЕ может сделать сам (нужны действия пользователя):
- Установить системные драйверы NVIDIA / CUDA Toolkit (нужны админ-права)
- Поставить NVIDIA GPU в машину 😉
Если у машины нет GPU - setup упадёт с FAIL. Уточни у пользователя, согласен ли на CPU-режим (в 10+ раз медленнее), и перезапусти с --allow-cpu.
- Проверь установку smoke-тестом (1-2 минуты, с реальной транскрипцией):
python ~/.claude/skills/transcribe-audio-local/scripts/verify.py --full
Без --full (5 сек) - только проверка наличия venv'ов и моделей, без реального прогона.
- Транскрибируй файл (см. секцию «Инструкция» ниже). На CPU добавляй
--device cpu --compute-type int8.
Режимы
Без диаризации (default)
Выходные файлы:
<имя> - транскрипция.md - таймкоды + текст<имя> - транскрипция.txt - plain text
С диаризацией (--diarize)
Дополнительно:
<имя> - со спикерами.md - реплики с метками [SPEAKER_XX, MM:SS]
Аргументы
| Параметр | Обязательный | По умолчанию | Описание |
|---|
| AudioPath | да | - | Путь к аудиофайлу |
| --output-dir | нет | <каталог>/Транскрипция/<имя>/ | Каталог результатов |
| --diarize | нет | выкл | Разделение по спикерам (sherpa-onnx) |
| --num-speakers N | нет | автодетект | Точное число спикеров |
| --threshold | нет | 0.5 | Порог кластеризации (меньше -> больше кластеров) |
| --language | нет | ru | Язык транскрипции |
| --model | нет | mobiuslabsgmbh/faster-whisper-large-v3-turbo | Модель faster-whisper |
| --device | нет | cuda | cuda или cpu |
| --compute-type | нет | float16 | Точность вычислений |
Поддерживаемые форматы
mp3, wav, ogg, m4a, flac, aac, wma, opus.
Зависимости
- venv-whisper (рядом со скилом):
faster-whisper, ctranslate2-CUDA, av, nvidia-cublas/cudnn/cuda-runtime
- venv-sherpa (рядом со скилом, для
--diarize): sherpa_onnx (GPU CUDA сборка), onnxruntime-gpu, soundfile
ffmpeg в PATH- NVIDIA GPU + CUDA 12 + cuDNN 9 (для GPU режима, рекомендуется)
Инструкция
-
Получи AudioPath от пользователя. Проверь что расширение - аудио из поддерживаемого списка.
-
Запусти транскрипцию:
PYTHONUNBUFFERED=1 PYTHONIOENCODING=utf-8 \
python ~/.claude/skills/transcribe-audio-local/scripts/transcribe.py \
"<AudioPath>" [--output-dir "<OutputDir>"] [--diarize] [--num-speakers N]
Время работы:
- Без диаризации: ~1.5-2 мин на 27-мин файл (RTF ~0.07)
- С диаризацией: ~10 мин на 27-мин файл (RTF ~0.4, параллельно)
- Часовое аудио с диаризацией: ~25 мин
- После завершения покажи пользователю пути к файлам и прочитай начало транскрипции.
ВАЖНО: PYTHONUNBUFFERED=1 обязательно для прогресса.
Ограничения
- Только аудио, видео не поддерживается. Если нужно из видео - извлеките аудиодорожку через ffmpeg отдельно.
- Требуется NVIDIA GPU с CUDA 12+ (CPU-режим работает, но в 10+ раз медленнее).
- Точность таймкодов +/- несколько секунд.
- Кириллические имена файлов обрабатываются скриптом.
Установка диагностика
Если транскрипция или диаризация падает - см. README.md секция «Troubleshooting».
