zackees/transcribe-anything

解决的问题

transcribe-anything 是一个统一的命令行界面 (CLI) 和 Python API，简化了各种 OpenAI Whisper 变体的安装与使用。它通过在各自的隔离环境中运行每个后端，消除了设置不同转录后端时常见的“依赖地狱”，让用户无需复杂的配置，即可将本地文件或 URL (YouTube, Rumble) 转录为文本和字幕文件。

运作原理

此工具作为路由器，将音频/视频输入通过标准化处理 (使用 yt-dlp 和 ffmpeg)，然后根据 --device 标志导向至选定的后端。每个后端都在首次使用时创建的隔离虚拟环境中进行管理。支持的后端包括：

• openai-whisper: 用于 CPU/CUDA 的参考实现。
• insanely-fast-whisper: 一个高性能 CUDA 后端，利用批处理 Hugging Face 流水线和可选的 FlashAttention2 (--device insane-flash)。
• WhisperX: 提供 VAD 分块、用于精确时间戳的 wav2vec2 强制对齐，以及说话人日志功能。
• SenseVoice: 一个非自回归的多语言模型，针对 CJK 语言和速度进行了优化。
• lightning-whisper-mlx: 针对 Apple Silicon (Metal GPU) 进行了优化。
• Intel Arc GPU: 支持 Windows 和 Linux 上的 XPU 后端。

适用对象

需要跨不同硬件平台 (NVIDIA GPU, Apple Silicon, Intel Arc 或 CPU) 进行高质量、私密、本地转录和翻译服务，且不想管理多个 Python 环境的内容创作者、开发人员和研究人员。

特色亮点

• 隔离环境: 自动为每个后端管理独立的 venv，以防止依赖冲突。
• 多后端支持: 在一个工具中集成了多个最先进的转录引擎。
• 说话人日志: 生成一个唯一的 speaker.json 文件，按说话人划分对话。
• 音素级精确时间戳: 通过 --align 标志为快速路径提供单词级对齐。
• 广泛的输入支持: 原生处理本地文件和远程 URL (YouTube/Rumble)。
• 跨平台: 原生支持 Windows, Linux 和 macOS。