Speech2Text

Aplicacion local para transcribir audio con Whisper y, opcionalmente, realizar diarizacion de hablantes con pyannote.

La solucion se centra en dos programas principales:

• transcriber_gui.py: interfaz grafica para usuarios finales.
• transcriber_dia.py: motor de transcripcion/diarizacion usable por consola.

Requisitos

• Python 3.10 o superior.
• ffmpeg instalado y disponible en el PATH.
• Dependencias Python instaladas dentro de un ambiente virtual.

Ambiente Virtual

Crear el ambiente virtual:

python -m venv whisper_env

Activarlo en PowerShell:

.\whisper_env\Scripts\Activate.ps1

Activarlo en CMD:

whisper_env\Scripts\activate.bat

Si PowerShell bloquea la activacion por politicas de ejecucion, ejecuta:

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

Luego instala las dependencias dentro del ambiente virtual:

python -m pip install -r requirements.txt

Uso con Interfaz Grafica

Ejecuta:

python transcriber_gui.py

La GUI permite:

• Seleccionar un archivo de audio o video.
• Elegir modelo Whisper: tiny, base, small, medium, large.
• Definir idioma, por ejemplo es.
• Procesar audio con una barra de avance por etapa.
• Ver la transcripcion en pantalla.
• Copiar la transcripcion al portapapeles.
• Guardar automaticamente los resultados en la carpeta output/.

Los archivos de salida se guardan con el nombre del audio. Si ya existe una salida con el mismo nombre, se agrega un sufijo numerico:

output/audio.txt
output/audio_detailed.txt
output/audio.json

output/audio_1.txt
output/audio_1_detailed.txt
output/audio_1.json

Diarizacion

La diarizacion identifica hablantes usando pyannote.

Configurar Hugging Face

1. Crea un token classic en Hugging Face:

   • Entra a Settings > Tokens.
   • Selecciona New token.
   • Usa permiso Read.
   • Habilita acceso a repositorios publicos gated si la opcion esta disponible.

2. Acepta las licencias/condiciones de los modelos pyannote:

   • https://huggingface.co/pyannote/speaker-diarization
   • https://huggingface.co/pyannote/segmentation
   • https://huggingface.co/pyannote/embedding

3. Guarda el token como variable de entorno.

En Windows:

setx HF_TOKEN "hf_xxxxxxxxxxxxxxxxx"

En Bash:

export HF_TOKEN=hf_xxxxxxxxxxxxxxxxx

Para activarla en la GUI:

1. Abre Opciones > Carga de HF token.
2. Ingresa tu token de Hugging Face.
3. Activa la opcion Diarizacion.
4. Opcionalmente indica Nro. hablantes.

El token se guarda localmente en .env:

HF_TOKEN=tu_token

.env esta ignorado por Git y no debe compartirse.

Pyannote puede requerir aceptar condiciones en Hugging Face para los modelos:

• pyannote/speaker-diarization-3.1
• pyannote/speaker-diarization
• pyannote/segmentation-3.0

El programa intenta primero pyannote/speaker-diarization-3.1 y, si no esta disponible, usa como fallback pyannote/speaker-diarization.

Uso por Consola

Transcripcion simple:

python transcriber_dia.py audio.m4a -m base -l es -o output/audio.txt

Con diarizacion:

python transcriber_dia.py audio.m4a -m base -l es -o output/audio.txt --diarize --hf-token TU_TOKEN --num-speakers 2

Opciones principales:

-m, --model          Modelo Whisper: tiny, base, small, medium, large
-l, --language       Codigo de idioma, por ejemplo es
-o, --output         Archivo de salida base
--diarize            Activa diarizacion de hablantes
--hf-token           Token de Hugging Face
--num-speakers       Numero esperado de hablantes
--no-progress        Desactiva barras de progreso internas
-v, --verbose        Muestra informacion detallada

Modelos Whisper

Los modelos Whisper se descargan y cargan desde la carpeta local:

models/

Si el modelo no existe, se descarga automaticamente. Si ya existe, se reutiliza.

Salidas

Al indicar un archivo de salida, se generan:

• .txt: transcripcion simple.
• _detailed.txt: transcripcion con timestamps y hablantes si aplica.
• .json: resultado completo.

Notas

• La primera ejecucion de un modelo puede tardar porque descarga pesos.
• La diarizacion puede tardar bastante mas que la transcripcion.
• Para audios .m4a, .mp3 o .mp4, el programa convierte temporalmente a WAV 16 kHz mono para pyannote.
• Si hay GPU CUDA disponible, Whisper usa GPU y fp16 automaticamente.

Licencia

Este proyecto se distribuye bajo licencia MIT.

Instalacion Opcional con Conda

La instalacion principal recomendada es con venv, pero Conda puede ser util si necesitas controlar mejor versiones de torch, ffmpeg, CUDA o dependencias cientificas.

Si existe un archivo environment.yml, puedes crear el ambiente con:

conda env create -f environment.yml
conda activate whisper_env

En Windows, si no tienes modo desarrollador activado, Hugging Face y SpeechBrain pueden mostrar advertencias por uso de symlinks. Para evitarlo, configura:

setx HF_HUB_DISABLE_SYMLINKS 1
setx SPEECHBRAIN_DOWNLOAD_STRATEGY copy

Despues de ejecutar setx, cierra y vuelve a abrir la terminal para que las variables queden disponibles.

GPU NVIDIA

Si tienes GPU NVIDIA compatible, conviene instalar PyTorch con CUDA para acelerar Whisper y parte del procesamiento de diarizacion.

En ese caso, ajusta el bloque de torch en environment.yml para usar CUDA en lugar de CPU. La configuracion exacta depende de tu version de CUDA y del soporte de PyTorch instalado.

Si no tienes GPU NVIDIA o no quieres configurar CUDA, usa la version CPU. Funcionara, pero sera mas lenta.