Transcritor NPU

Transcrição de áudio/vídeo local e offline, usando Whisper large-v3-turbo via OpenVINO GenAI, com interface Gradio. Roda inteiramente na máquina — nada sobe pra nuvem.

Feito para aproveitar a NPU (Neural Processing Unit) de notebooks Intel Core Ultra (Meteor Lake em diante), mas também roda em GPU integrada ou CPU.

Além de áudio/vídeo, também extrai texto de imagens (OCR) e de PDFs (nativo ou escaneado), e aceita links (YouTube etc.) diretamente, sem precisar baixar o arquivo manualmente antes.

Por quê

Transcrever áudio/vídeo geralmente significa mandar o arquivo pra um serviço de nuvem. Este projeto faz o mesmo localmente, usando um acelerador de IA que a maioria dos notebooks Intel recentes já tem e não usa pra nada.

Requisitos

• Windows com driver de NPU Intel atualizado (Intel AI Boost) — a NPU só é reconhecida com driver recente o suficiente para o seu SO.
• Python 3.13 (OpenVINO GenAI ainda não suporta 3.14).
• ffmpeg no PATH (decodifica qualquer áudio/vídeo).
• Tesseract OCR instalado (ex.: winget install UB-Mannheim.TesseractOCR), com o pacote de idioma por baixado em tessdata/ — usado pela aba de OCR de imagem.
• Node.js instalado — usado pelo yt-dlp para resolver os desafios JS do YouTube ao baixar áudio de um link.
• O modelo OpenVINO/whisper-large-v3-turbo-int8-ov (~1,7 GB), baixado à parte — não vai no repositório por tamanho. Coloque em modelo/.

Uso

python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt   # gradio, openvino-genai, numpy, pytesseract, yt-dlp, Pillow, pymupdf
python app.py

Ou, no Windows, duplo clique em Iniciar Transcritor.bat. O navegador abre sozinho.

Na aba Áudio / Vídeo: escolha o dispositivo (NPU/GPU/CPU) e o idioma, envie um arquivo, arraste, cole com Ctrl+V ou cole um link — e clique em Transcrever. Gera .txt e .srt (com timestamps) em saidas/.

Na aba Imagem (OCR): envie, arraste ou cole (Ctrl+V) uma imagem e clique em Extrair texto. Gera .txt em saidas/.

Na aba PDF → Texto: envie um PDF e clique em Extrair texto. Cada página tenta extrair o texto nativo primeiro (grátis, instantâneo); páginas sem camada de texto (PDF escaneado) caem automaticamente para OCR a 300dpi. Gera .txt em saidas/.

Ctrl+V funciona nas abas de áudio/vídeo e imagem: um script injetado na página intercepta o evento de colar do navegador e entrega o arquivo pro componente ativo (ver COLAR_JS em app.py) — não é um recurso nativo do Gradio para upload de arquivo genérico.

Notas de performance

Na NPU, a primeira transcrição depois de trocar de dispositivo recompila um cache (pode levar minutos); as seguintes, com cache quente, ficam bem mais rápidas que tempo real. GPU integrada costuma ser a mais rápida de largada (sem esse aquecimento); CPU é a mais lenta, mas sempre disponível.

Licença

CC BY-NC-SA 4.0 — uso e adaptação livres para fins não comerciais, com atribuição.