Transcrição Local de Chamadas no Mac com Chip M: Audio Hijack + mlx-whisper + pyannote
MLX Community
Pyannote (by INRIA)
Rogue Amoeba
OpenAI
O autor compartilha a experiência de criar um pipeline local para gravar e transcrever chamadas em um Mac com chip M. O Audio Hijack é usado para gravação, o mlx-whisper no MLX para transcrição e o pyannote para diarização. Todo o processo não requer serviços em nuvem, funciona no M4 em 5 minutos para uma chamada de 56 minutos, e os scripts estão publicados no GitHub.
O autor do artigo descreve como organizou a gravação local e a transcrição de chamadas no Mac com chip M, abandonando serviços em nuvem e o OBS devido a problemas de desempenho. Para a gravação, ele usa o Audio Hijack (pago), que grava todas as vozes em um único arquivo MP3, necessário para a diarização. A transcrição é feita com mlx-whisper no MLX (pesos large-v3-turbo) — no M4, 56 minutos de áudio são processados em 5 minutos. A diarização é realizada via pyannote speaker-diarization-3.1, que requer duas aceitações no Hugging Face e um token de acesso. O autor escreveu o script transcribe-meeting.py, que combina transcrição, limpeza de alucinações e diarização, gerando JSON com timestamps, VTT e TXT. Os scripts estão publicados no repositório mac-call-transcribe. Entre os problemas, o autor destaca confusão entre SPEAKER em falas curtas, alucinações do Whisper em silêncio e a necessidade de substituir nomes manualmente. Ele também alerta sobre a necessidade da versão ARM64 do Python e a verificação de platform.machine().
Fonte: Habr — хаб ИИ —
original