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.
Penulis artikel menjelaskan bagaimana ia mengatur perekaman dan transkripsi panggilan secara lokal di Mac dengan chip M, meninggalkan layanan cloud dan OBS karena masalah performa. Untuk perekaman, ia menggunakan Audio Hijack berbayar yang merekam semua suara ke dalam satu file MP3, yang diperlukan untuk diarisasi. Transkripsi dilakukan menggunakan mlx-whisper pada MLX (bobot large-v3-turbo) — pada M4, audio 56 menit diproses dalam 5 menit. Diarisasi dilakukan melalui pyannote speaker-diarization-3.1, yang memerlukan dua persetujuan (Accept) di Hugging Face dan token akses. Penulis menulis skrip transcribe-meeting.py yang menggabungkan transkripsi, pembersihan halusinasi, dan diarisasi, menghasilkan JSON dengan stempel waktu, VTT, dan TXT. Skrip-skrip tersebut dipublikasikan di repositori mac-call-transcribe. Di antara masalah, penulis mencatat kebingungan SPEAKER pada ucapan pendek, halusinasi Whisper pada keheningan, dan perlunya penggantian nama secara manual. Ia juga memperingatkan perlunya Python versi ARM64 dan pemeriksaan platform.machine().
Sumber: Habr — хаб ИИ —
asli