Init repo

.gitignore

@@ -0,0 +1,12 @@
+.venv/
+__pycache__/
+*.pyc
+.env
+output/
+chunks/
+*_processed.wav
+*.egg-info/
+dist/
+build/
+.idea/
+.vscode/

README.md

@@ -0,0 +1,110 @@
+# Speech-to-Text + Speaker Diarization Pipeline
+
+Локальная система транскрипции аудио с автоматическим разделением спикеров.
+
+## Возможности
+
+- Распознавание речи (faster-whisper, модель large-v3)
+- Диаризация спикеров (pyannote.audio 3.1)
+- Поддержка форматов: `.m4a`, `.mp3`, `.wav`, `.aac`
+- Аудио до 3 часов / 2 ГБ
+- Автоматический чанкинг для длинных записей (>30 мин)
+- Предобработка: нормализация громкости, удаление DC offset, конвертация в mono 16kHz
+- Экспорт в `.txt` и `.json`
+- Полностью локальный запуск на GPU
+
+## Требования
+
+- Python 3.10+
+- ffmpeg (установлен и доступен в PATH)
+- CUDA-совместимая GPU (или CPU для тестов)
+- HuggingFace токен с доступом к моделям pyannote
+
+## Установка
+
+```bash
+python -m venv .venv
+source .venv/bin/activate  # Linux/Mac
+# .venv\Scripts\activate   # Windows
+
+pip install -r requirements.txt
+```
+
+Создайте `.env` в корне проекта:
+
+```
+HF_TOKEN=hf_your_token_here
+```
+
+> Для получения токена: https://huggingface.co/settings/tokens
+> Необходимо принять условия использования моделей:
+> - https://huggingface.co/pyannote/speaker-diarization-3.1
+> - https://huggingface.co/pyannote/segmentation-3.0
+
+## Использование
+
+```bash
+# Базовый запуск (GPU, large-v3)
+python transcriber.py interview.m4a --output ./result --format txt json
+
+# Локальный тест (CPU, маленькая модель)
+python transcriber.py test.wav --output ./result --model tiny --device cpu
+
+# С ограничением спикеров
+python transcriber.py meeting.mp3 --max-speakers 3 --min-speakers 2
+
+# Подробный лог
+python transcriber.py audio.aac -v
+```
+
+## Параметры CLI
+
+| Параметр | По умолчанию | Описание |
+|---|---|---|
+| `input` | — | Путь к аудиофайлу |
+| `--output` | `./output` | Директория для результатов |
+| `--model` | `large-v3` | Модель Whisper (`tiny`, `base`, `small`, `medium`, `large-v3`) |
+| `--device` | `cuda` | Устройство (`cuda`, `cpu`) |
+| `--language` | `ru` | Язык распознавания |
+| `--beam-size` | `5` | Ширина beam search |
+| `--vad` | `on` | VAD фильтрация (`on`, `off`) |
+| `--max-speakers` | авто | Максимум спикеров |
+| `--min-speakers` | авто | Минимум спикеров |
+| `--format` | `txt json` | Форматы экспорта |
+| `--pause-threshold` | `1.5` | Макс. пауза для объединения сегментов (сек) |
+| `--chunk-duration` | `1800` | Макс. длина чанка (сек) |
+| `--hf-token` | из `.env` | HuggingFace токен |
+| `-v` | — | Подробное логирование |
+
+## Форматы вывода
+
+**TXT** — читаемый диалог:
+```
+[Speaker 1]
+Здравствуйте, расскажите о себе.
+
+[Speaker 2]
+Добрый день, меня зовут Иван...
+```
+
+**JSON** — структурированные данные:
+```json
+[
+  {
+    "speaker": "Speaker 1",
+    "start": 0.52,
+    "end": 3.18,
+    "text": "Здравствуйте, расскажите о себе."
+  }
+]
+```
+
+## Архитектура
+
+```
+Input → Preprocess (ffmpeg) → Chunking → ASR (Whisper) → Diarization (pyannote) → Alignment → Merge → Export
+```
+
+## Производительность
+
+На GPU уровня RTX 3090: ~20 мин на 1.5 часа аудио. VRAM ≤ 8GB, RAM ≤ 16GB.