Local Transcription of Calls on Mac with M-Chip: Audio Hijack + mlx-whisper + pyannote
MLX Community
Pyannote (by INRIA)
Rogue Amoeba
OpenAI
The author shares experience of creating a local pipeline for recording and transcribing calls on an Mac with an M-chip. Audio Hijack is used for recording, mlx-whisper on MLX for transcription, and pyannote for diarization. The entire process does not require cloud services, works on M4 in 5 minutes for a 56-minute call, and scripts are posted on GitHub.
लेखक बताता है कि कैसे उसने M-चिप वाले Mac पर क्लाउड सेवाओं और OBS को छोड़कर, प्रदर्शन समस्याओं के कारण, स्थानीय रूप से कॉल रिकॉर्ड करने और उनका ट्रांसक्रिप्शन करने की व्यवस्था की। रिकॉर्डिंग के लिए वह पेड Audio Hijack का उपयोग करता है, जो सभी आवाज़ों को एक MP3 फ़ाइल में लिखता है, जो डायराइज़ेशन के लिए आवश्यक है। ट्रांसक्रिप्शन MLX पर mlx-whisper (वेट्स large-v3-turbo) के माध्यम से किया जाता है — M4 पर 56 मिनट का ऑडियो 5 मिनट में प्रोसेस होता है। डायराइज़ेशन pyannote speaker-diarization-3.1 से किया जाता है, जिसके लिए Hugging Face पर दो Accept और एक एक्सेस टोकन चाहिए। लेखक ने transcribe-meeting.py स्क्रिप्ट लिखी है, जो ट्रांसक्रिप्शन, हेलुसिनेशन क्लीनिंग और डायराइज़ेशन को जोड़कर टाइमकोड के साथ JSON, VTT और TXT आउटपुट देती है। स्क्रिप्ट्स mac-call-transcribe रिपॉजिटरी में प्रकाशित हैं। समस्याओं में लेखक छोटी बातों पर SPEAKER कन्फ्यूजन, साइलेंस पर Whisper के हेलुसिनेशन और मैन्युअल नाम डालने की आवश्यकता बताता है। साथ ही वह ARM64-संस्करण Python और platform.machine() चेक करने की चेतावनी देता है।
स्रोत: Habr — хаб ИИ —
मूल