transcriber
Herramienta de transcripción local offline con separación de oradores y paralingüística. Usa Whisper, PyAnnote, DiariZen y análisis dimensional de emociones. Soporta múltiples idiomas, funciona sin API keys ni uploads. Requiere GPU NVIDIA preferiblemente (CPU posible).
Ficha actualizada 26 sept 2026, 19:56 · upstream 26 sept 2026, 19:35 · release sin release detectada
Qué es transcriber
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Transcriber es una herramienta de transcripción local para reuniones, conferencias e entrevistas que identifica quién habló, qué dijo y cómo sonó la voz. Todo el procesamiento se realiza offline sin enviar datos a APIs externas ni usar claves API. El sistema produce archivos JSON con timestamps por palabra y TXT con análisis de diálogo.
La arquitectura utiliza Whisper para reconocimiento de voz con timestamps a nivel de palabra, PyAnnote o DiariZen para separación de oradores, y un modelo dimensional de emociones (arousal, valence, dominance) que mide cambios en la expresión vocal. También incluye análisis de loudness, pitch, jitter, shimmer y HNR mediante Praat cuando se habilita.
El pipeline procesa audio desde archivos locales o URLs de YouTube usando yt-dlp para descarga. Los modelos se cargan solo cuando son necesarios, permitiendo reinicio tras fallos con --rediarize que no afecta el reconocimiento. Soporta Python 3.10-3.12 y tiene opción Docker para despliegue sin red una vez descargados los modelos (2.5 GB).
- Transcripción de reuniones internas con identificación de oradores
- Análisis de entrevistas académicas con métricas paralingüísticas
- Procesamiento de podcasts o conferencias grabadas en YouTube
- Auditoría de discursos políticos con análisis dimensional de emociones
- Funciona completamente offline sin API keys ni uploads a servicios externos
- Producción JSON con timestamps de palabras y flags de confianza para verificación manual
- Análisis dimensional continuo (arousal, valence, dominance) no solo etiquetas emocionales
- Soporte nativo para múltiples idiomas vía parámetros de Whisper
- Opción Docker con --network none tras descarga inicial de modelos
- Reconocimiento de emociones por voz es inexacto y no diagnóstico médico
- Whisper comete errores con nombres, términos y números inventando texto en silencio
- Modelos emotion y diarizen tienen licencias CC-BY-NC que restringen uso comercial
- Requiere GPU NVIDIA para rendimiento óptimo (CPU funciona pero mucho más lento)
- Los modelos de PyAnnote están gated en Hugging Face con condiciones específicas
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requiere Python 3.10-3.12, instalar con ./install.sh o usar Docker para despliegue sin red. GPU NVIDIA preferida (CPU posible pero más lento). Descarga inicial de ~2.5 GB para modelos. Verificar licencias de modelos: audeering y diarizen son CC-BY-NC-SA/CC-BY-NC, no comerciales por defecto. Desactivar --no-emotion si se necesita uso comercial. Usar --network none en Docker tras descarga inicial.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.