Proyecto: Pipeline de Transcripción y Diarización

Descripción

Este proyecto proporciona un pipeline de transcripción automática y diarización de hablantes sobre archivos de audio WAV, utilizando WhisperX para ASR (detección y transcripción de voz) y Pyannote/Silero para VAD y diarización. Incluye:

• Transcripción ASR en lotes y alineación palabra a palabra.
• Diarización de hablantes con modelo local o Silero.
• Interfaz CLI flexible con múltiples opciones.
• Barra de progreso unificada con Rich.

Características

• ASR configurable: tamaño de lote, tipo de cómputo, TF32 opcional.
• VAD ajustable: método (pyannote/silero), umbrales de inicio/fin, chunk.
• Alineación opcional: activar/desactivar, retornos de alineación carácter.
• Decodificación: temperatura, beam size, prompt inicial.
• Diarización: número mínimo/máximo de oradores.
• Barra de progreso: fases unificadas (transcribe, align, diarize, guardar).

Requisitos

• Python 3.8+
• CUDA (Para GPU)
• ffmpeg

Instalación rápida

# Actualiza
sudo apt update

# Clona el repositorio y ve al directorio
git clone https://github.com/cypher-256/whisper-es.git
cd whisper-es

# Prepara el entorno virtual (Python3 requerido)
./setup_env.sh
# Activa el entorno virtual
source .venv/bin/activate

Archivo de ejemplo

El archivo tests/data/test_audio.wav corresponde a la grabación de la conferencia:

“Diego Portales: permanencia y vigencia de su pensamiento, voluntad y visión de Chile a 150 años de su muerte”
Biblioteca Nacional (Salón Los Fundadores), 4 de junio de 1987

Detalles bibliográficos

• Autor: Arnello Romo, Mario (1925-)
• Colección: Archivo Audiovisual / Archivo de la Palabra
• Materias: ARCHIVO DE LA PALABRA
• Tipo de objeto: Grabación sonora
• Tipo de acceso: Acceso en línea
• BN Código: AP0000218
• N° Sistema: 258258
• BND id: 320360
• Enlace: https://www.bibliotecanacionaldigital.gob.cl/visor/BND:320360

Ejemplos de uso

Transcripción simple con GPU:

python main.py tests/data/test_audio.wav \
  -o tests/out/salida.jsonl --device cuda --show-progress

Transcripción simple con CPU (diarización no soportada):

python main.py tests/data/test_audio.wav \
  -o tests/out/salida.jsonl --device cpu --show-progress

Ejemplos de uso avanzado:

Transcribir con prompt inicial y beam size:

python main.py audio.wav \
  --initial-prompt "Hola mundo" --beam-size 2 \
  --temperature 0.8 -o resultado.jsonl

Opciones de la CLI

Ver todas las banderas disponibles:

python main.py -h

Incluye secciones para:

• I/O
• ASR
• VAD
• Alineación/Decodificador
• Diarización
• Utilidades

Contribución

1. Haz fork del repositorio.

2. Crea una branch: git checkout -b feature/nombre.

3. Realiza tus cambios y haz commit:

   git commit -m "feat: descripción breve"

4. Publica tu branch:

   git push origin feature/nombre

5. Abre un PR en GitHub.

---

Créditos y atribución

Este proyecto es un fork de whisperX, desarrollado por Max Bain et al., publicado bajo licencia BSD-2-Clause.

Licencia

Este código base (whisperX) está bajo BSD-2-Clause. Consulta el archivo LICENSE para más detalles.

Citation

Si usas este software en publicaciones científicas, por favor cita:

@article{bain2022whisperx,
title={WhisperX: Time-Accurate Speech Transcription of Long-Form Audio},
author={Bain, Max and Huh, Jaesung and Han, Tengda and Zisserman, Andrew},
journal={INTERSPEECH 2023},
year={2023}
}

---

💸 Donaciones

Si este proyecto te ha sido útil y deseas apoyar su desarrollo, puedes contribuir con una donación en Bitcoin o Monero. Estas contribuciones ayudan a mantener y expandir recursos abiertos para el procesamiento del lenguaje en español.

Bitcoin (BTC – On-chain)

Dirección:
bc1p2t0gfxe3c0yw3rm3mdpgkrqwrpphgklhdt55lus3lmp4e86ljhnq4qkmp6

Puedes usar cualquier billetera compatible con direcciones Taproot (P2TR), como Muun, Sparrow o BlueWallet.

---

Monero (XMR – Anónimo)

Dirección:
44dS68RZrCY2cnoEWZYhtJJ3DXY52x75D2kCTLqffhpTWCFJUcty89W2VVUKCqE4J4WH8dnUJHCT1XQsXFkEKNyvQzqx8ar

Puedes usar billeteras como Feather Wallet, Monerujo o Cake Wallet.

---

Gracias por apoyar el open source y la investigación abierta.