Локальная транскрипция созвонов на Mac с M-чипом: Audio Hijack + mlx-whisper + pyannote
MLX Community
Pyannote (by INRIA)
Rogue Amoeba
OpenAI
Автор делится опытом создания локального пайплайна для записи и расшифровки созвонов на Mac с M-чипом. Используются Audio Hijack для записи, mlx-whisper на MLX для транскрипции и pyannote для диаризации. Весь процесс не требует облачных сервисов, работает на M4 за 5 минут для 56-минутного звонка, скрипты выложены на GitHub.
Автор статьи описывает, как он организовал локальную запись и расшифровку созвонов на Mac с M-чипом, отказавшись от облачных сервисов и OBS из-за проблем с производительностью. Для записи он использует платный Audio Hijack, который пишет все голоса в один MP3-файл, что необходимо для диаризации. Транскрипция выполняется с помощью mlx-whisper на MLX (веса large-v3-turbo) — на M4 56 минут аудио
Показать ещё ↓
- Сокращения
- STT = Speech-to-Text — преобразование речи в текст
- VTT = Video Text Tracks — формат субтитров VTT
- CLI = Command-Line Interface — интерфейс командной строки
- MP3 = MPEG Audio Layer III — аудиоформат MP3
- JSON = JavaScript Object Notation — формат данных JSON
- TXT = Text file — текстовый файл
- MIT = MIT License — лицензия MIT
- ARM64 = ARM 64-bit architecture — 64-битная архитектура ARM
Источник: Habr — хаб ИИ —
оригинал