サイドバー
最新の10件
一覧
stt:reazonspeech
ReazonSpeech
$ sudo apt install python3-venv $ python3 -m venv venv $ source venv/bin/activate $ pip install wheel $ pip install git+https://github.com/reazon-research/reazonspeech.git
$ reazonspeech --help
USAGE
reazonspeech [-h] [--to={vtt,srt,ass,json,tsv}] [-o file] audio
OPTIONS
audio
Audio file to transcribe. It can be in any format as long
as librosa.load() can read.
-h, --help
Print this help message.
--to={vtt,srt,ass,json,tsv}
Output format for transcription
-o file, --output=file
File to write transcription
EXAMPLES
# Transcribe audio file
$ reazonspeech sample.wav
# Output subtitles in VTT format
$ reazonspeech -o sample.vtt sample.webm
$ wget https://research.reazon.jp/_downloads/a8f2c35bb3d351a76212b2257d5bfc85/speech-001.wav
$ reazonspeech ./speech-001.wav
[nltk_data] Downloading package averaged_perceptron_tagger to
[nltk_data] /home/matoken/nltk_data...
[nltk_data] Unzipping taggers/averaged_perceptron_tagger.zip.
[nltk_data] Downloading package cmudict to /home/matoken/nltk_data...
[nltk_data] Unzipping corpora/cmudict.zip.
Downloading (…)37eea/.gitattributes: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.48k/1.48k [00:00<00:00, 114kB/s]
Downloading (…)0228a37eea/README.md: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 706/706 [00:00<00:00, 115kB/s]
Downloading (…)0228a37eea/meta.yaml: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 400/400 [00:00<00:00, 113kB/s]
Downloading (…)_jp_char/config.yaml: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 38.2k/38.2k [00:00<00:00, 42.6kB/s]
Downloading (…)_jp_char/config.yaml: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 36.4k/36.4k [00:00<00:00, 40.8kB/s]
Downloading feats_stats.npz: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.40k/1.40k [00:00<00:00, 295kB/s]
Downloading (…)id.acc.ave_3best.pth: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 478M/478M [26:27<00:00, 301kB/s]
Downloading 34epoch.pth: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 354M/354M [52:58<00:00, 111kB/s]
Fetching 8 files: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [53:01<00:00, 397.68s/it]
{"start_seconds": 0.528, "end_seconds": 5.325, "text": "気象庁は雪や路面の凍結による交通への影響"}███████████████████████████████████████████████████████████████████████████████| 354M/354M [52:58<00:00, 132kB/s]
{"start_seconds": 5.325, "end_seconds": 12.521, "text": "暴風雪や高波に警戒するとともに雪崩や屋根からの落雪にも十分注意するよう呼びかけています"}
$ time reazonspeech ./speech-001.wav
Fetching 8 files: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [00:00<00:00, 88301.14it/s]
{"start_seconds": 0.528, "end_seconds": 5.325, "text": "気象庁は雪や路面の凍結による交通への影響"}
{"start_seconds": 5.325, "end_seconds": 12.521, "text": "暴風雪や高波に警戒するとともに雪崩や屋根からの落雪にも十分注意するよう呼びかけています"}
real 0m52.036s
user 1m25.275s
sys 0m2.299s
$ time reazonspeech --to=vtt ./speech-001.wav
Fetching 8 files: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [00:00<00:00, 35507.34it/s]
WEBVTT
00:00:00.527 --> 00:00:05.325
気象庁は雪や路面の凍結による交通への影響
00:00:05.325 --> 00:00:12.521
暴風雪や高波に警戒するとともに雪崩や屋根からの落雪にも十分注意するよう呼びかけています
real 0m48.300s
user 1m24.619s
sys 0m2.207s
$ time reazonspeech --output=./TBS1040066744_27632.wav.vtt ./TBS1040066744_27632.wav
Fetching 8 files: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [00:00<00:00, 118987.35it/s]
Transcribing: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋| 1719/1722 [1:54:14<00:11, 3.99s/s]
real 114m25.184s
user 224m38.798s
sys 1m30.972s
$ head ./TBS1040066744_27632.wav.vtt
WEBVTT
00:00:00.335 --> 00:00:10.167
自転車協会プレゼンツ自転車協会プレゼンツ
00:00:13.429 --> 00:00:28.872
今週も始まりました自転車協会プレゼンツミラクルサイクルライフパーソナリティーの石井正規です生田智です自転車って楽しいを合言葉にサイクルライフの魅力をお伝えする自転車エンターテインメント番組ですはいまずはこちらの
コーナーから
00:00:28.872 --> 00:00:29.736
週刊
stt/reazonspeech.txt · 最終更新: 2023/06/20 07:18 by matoken
特に明示されていない限り、本Wikiの内容は次のライセンスに従います： CC Attribution-Noncommercial-Share Alike 4.0 International
コメント