EasyScribe - Transkrypcja Audio (Whisper & Parakeet v3)

Aplikacja do transkrypcji audio z możliwością wyboru między dwoma typami modeli AI:

• Faster Whisper - szybki model z wyborem rozmiaru (tiny/base/small/medium/large-v3)
• NVIDIA Parakeet v3 - nowoczesny, wielojęzyczny model

Funkcje

• ✅ Transkrypcja plików audio (drag & drop)
• ✅ Nagrywanie na żywo z mikrofonu
• ✅ Wybór modelu AI (Whisper lub Parakeet v3)
• ✅ Opcje formatowania (z/bez timecodów)
• ✅ Automatyczne wykrywanie języka
• ✅ Obsługa GPU (CUDA) dla szybszej transkrypcji
• ✅ Automatyczne pobieranie brakujących bibliotek
• ✅ Zapisywanie wyników w folderze output
• ✅ Ciche działanie (wyciszone logi bibliotek)

Wymagania

Podstawowe

pip install sounddevice numpy

Dla plików audio (wybierz jedną opcję)

pip install librosa
# lub
pip install soundfile

Dla Faster Whisper

pip install faster-whisper

Dla NVIDIA Parakeet v3

pip install nemo_toolkit[asr]

Instalacja wszystkich zależności

pip install -r requirements.txt

Użytkowanie

Uruchomienie

1. Tryb mikrofonu: Uruchom easyscribe.bat lub python easyscribe.py
2. Tryb pliku: Przeciągnij plik audio na easyscribe.bat

Automatyczna instalacja

Aplikacja automatycznie wykryje i zainstaluje brakujące biblioteki przy pierwszym uruchomieniu.

Wybór modelu

Po uruchomieniu aplikacja zapyta o wybór modelu:

• 1 - Faster Whisper (następnie wybierz rozmiar: tiny/base/small/medium/large-v3)
• 2 - NVIDIA Parakeet v3 (nowoczesny, wielojęzyczny)

Obsługiwane formaty

• Audio: .wav, .mp3, .m4a, .flac, .ogg, .aac
• Wideo: .mp4, .mkv, .avi, .mov

Porównanie modeli

Model	Rozmiar	Zalety	Wady
Faster Whisper	tiny	- Najszybszy - Najmniejsze zużycie RAM	- Najmniej dokładny
	base	- Szybki - Dobra jakość	- Średnie zużycie zasobów
	small	- Średnia szybkość - Lepsza jakość	- Większe zużycie zasobów
	medium	- Wolniejszy - Wysoka jakość	- Duże zużycie zasobów
	large-v3	- Najwyższa jakość	- Najwolniejszy - Największe zużycie RAM
Parakeet v3	-	- Bardzo wysoka dokładność - Wielojęzyczny - Automatyczne wykrywanie języka	- Wymaga NeMo - Większe zużycie zasobów

Struktura plików

transcribe py/
├── easyscribe.py               # Główna aplikacja
├── easyscribe.bat              # Skrypt uruchamiający
├── requirements.txt            # Lista zależności
├── README.md                   # Ta dokumentacja
├── models/                     # Katalog na modele AI
└── output/                     # Katalog z transkrypcjami

Rozwiązywanie problemów

Błąd CUDA

Jeśli CUDA nie jest dostępne, aplikacja automatycznie przełączy się na CPU (może być wolne).

Brak bibliotek dla Parakeet v3

Jeśli brakuje nemo_toolkit[asr], aplikacja automatycznie przełączy się na Whisper.

Logi Parakeet v3

Domyślnie logi NeMo są wyciszone. Aby je włączyć, ustaw zmienną środowiskową:

set SHOW_NEMO_LOGS=1
easyscribe.bat

Problemy z audio

Sprawdź czy masz zainstalowane odpowiednie biblioteki audio (librosa lub soundfile).

Licencja

Aplikacja wykorzystuje otwarte modele AI:

• Faster Whisper: MIT License
• NVIDIA Parakeet v3: Apache 2.0 License