Spaces:
Sleeping
Sleeping
File size: 4,059 Bytes
ba0dc1d d1c912a ba0dc1d d0351bc ba0dc1d d0351bc ba0dc1d d0351bc ba0dc1d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 |
import os
import shutil
import tempfile
from pathlib import Path
import gradio as gr
from transformers import pipeline
# Prøv å støtte video via pydub + ffmpeg hvis tilgjengelig (valgfritt)
try:
from pydub import AudioSegment
HAS_PYDUB = True
except Exception:
HAS_PYDUB = False
# --- Konfigurasjon ---
# CPU: bruk en mindre, flerspråklig modell. (large-v3 på CPU vil ofte knekke.)
# Alternativer: "openai/whisper-small", "openai/whisper-medium", "distil-whisper/distil-small.multilingual"
ASR_MODEL_ID = "openai/whisper-small"
def make_transcriber():
# device=-1 tvinger CPU. return_timestamps=True gir tidskoder i retur.
return pipeline(
task="automatic-speech-recognition",
model=ASR_MODEL_ID,
device=-1,
return_timestamps=True
)
transcriber = make_transcriber()
VIDEO_EXTS = {".mp4", ".avi", ".mov", ".mkv", ".webm"}
AUDIO_EXTS = {".wav", ".mp3", ".m4a", ".flac", ".ogg", ".opus", ".aac"}
def extract_audio_if_needed(input_path: str) -> str:
"""
Tar inn en filsti (audio eller video).
Hvis video og pydub+ffmpeg finnes, ekstraheres WAV til temp-katalog og
vi returnerer ny filsti. Hvis ikke, kastes en forklarende feil.
Hvis allerede audio, returneres originalstien.
"""
suffix = Path(input_path).suffix.lower()
# Allerede audio?
if suffix in AUDIO_EXTS:
return input_path
# Video?
if suffix in VIDEO_EXTS:
if not HAS_PYDUB:
raise RuntimeError(
"Video oppdaget, men pydub/ffmpeg er ikke tilgjengelig. "
"Installer pydub og ffmpeg (se requirements.txt og apt.txt), "
"eller last opp en ren lydfil."
)
# Ekstraher WAV
temp_dir = tempfile.mkdtemp(prefix="asr_")
out_wav = os.path.join(temp_dir, "extracted_audio.wav")
audio = AudioSegment.from_file(input_path)
audio.export(out_wav, format="wav")
return out_wav
# Ukjent – la Whisper prøve; hvis det feiler, får brukeren feilmelding
return input_path
def handle_upload_and_transcribe(file_path: str):
if not file_path:
return "Last opp en lyd- eller videofil."
tmp_to_cleanup = None
try:
# Kan generere en temp WAV (for video)
maybe_audio = extract_audio_if_needed(file_path)
if maybe_audio != file_path:
tmp_to_cleanup = os.path.dirname(maybe_audio)
# Tips: du kan sette språk eksplisitt for raskere/mer stabil dekoding:
# generate_kwargs={"task": "transcribe", "language": "no"}
result = transcriber(maybe_audio)
# Rydd temp
if tmp_to_cleanup and os.path.exists(tmp_to_cleanup):
shutil.rmtree(tmp_to_cleanup, ignore_errors=True)
# Normaliser utdata
if isinstance(result, dict):
# transformers>=4.30 gir ofte {"text": "...", "chunks": [...]}
text = result.get("text")
if text:
return text.strip()
# fallback
return str(result)
elif isinstance(result, list) and result:
return result[0].get("text", str(result))
return str(result)
except Exception as e:
# Rydd opp ved feil
if tmp_to_cleanup and os.path.exists(tmp_to_cleanup):
shutil.rmtree(tmp_to_cleanup, ignore_errors=True)
return f"❌ Feil under prosessering/transkripsjon: {e}"
with gr.Blocks(title="Multilingual Audio/Video Transcription") as demo:
gr.Markdown(
"## Multilingual Transcription (CPU)\n"
"Last opp en lydfil (.wav/.mp3/.m4a/…) eller videofil (.mp4/.mov/…). "
"På CPU brukes en mindre Whisper-modell for stabil kjøring."
)
inp = gr.Audio(type="filepath", label="Fil (audio eller video)")
out = gr.Textbox(label="Transkripsjon")
btn = gr.Button("Transkriber")
btn.click(handle_upload_and_transcribe, inputs=inp, outputs=out)
if __name__ == "__main__":
# På HF Spaces trenger du vanligvis ikke server_name/server_port her.
demo.launch() |