kouhxp/yapsnap

解决的问题

yapsnap 是一个命令行工具，可将视频网址或音频文件转换为纯文本转录稿。它消除了对昂贵 GPU、云 API 或付费订阅的需求，因为所有转录、语言检测和说话人分离都在用户的 CPU 上本地执行。

工作原理

此工具遵循五步流程：

1. 获取：使用 yt-dlp 从网址（YouTube、TikTok、X、Instagram 等）下载音频，或访问本地文件。
2. 识别：使用修剪过的 whisper-tiny 语言识别头（INT8 ONNX），通过对音频的小窗口进行采样，自动检测口语语言。
3. 解码：使用 ffmpeg 将媒体转换为 16 kHz 单声道 PCM 音频。
4. 识别：通过 sherpa-onnx 运行时使用流式 Zipformer2 transducer（Kroko）在 CPU 上将音频转录为文本。
5. 格式化：将结果输出为单个段落或句子级时间戳。如果启用 --diarize，它会使用说话人分割和嵌入模型执行第二次传递，以标记谁在何时说话。

适用对象

它专为需要快速、私密且离线转录网络视频或本地录音的用户设计，无需特殊硬件（CUDA/M 系列）或 API 密钥。

亮点

• 仅限 CPU 性能：针对纯 CPU 核心优化，通常比实时转录更快。
• 广泛来源支持：通过 yt-dlp 和 ffmpeg 处理各种社交媒体网址和本地音频/视频格式。
• 隐私优先：模型在首次运行后缓存到本地；音频永远不会离开机器。
• 自动语言检测：支持十种语言（英语、德语、西班牙语、法语、意大利语、希伯来语、荷兰语、葡萄牙语、瑞典语、土耳其语）并具备自动检测功能。
• 说话人分离：可使用 ONNX 模型识别和标记不同说话人（SPEAKER_00、SPEAKER_01）。
• 精简依赖：避免使用 PyTorch 等重型框架，转而依赖 sherpa-onnx、numpy 和 yt-dlp。