Transcribir Video
Transcribe cualquier archivo de video/audio localmente usando un servicio whisper.cpp empaquetado. Sin proyectos externos ni API en la nube. Devuelve marcas de tiempo a nivel de palabra (necesarias para superposiciones/subtítulos sincronizados).
Cuándo usarlo
- "Transcribe este clip / video / audio", "dame una transcripción con marcas de tiempo".
- Como paso secundario de
/produce-video.
Cómo se ejecuta
Todo está gestionado por el runner empaquetado: nunca le pidas al usuario que maneje Docker:
node scripts/transcribe.mjs <ruta-al-video-o-audio> [--out <dir>] [--port 9111] [--language es] [--no-word-ts] [--task transcribe|translate]
node scripts/transcribe.mjs --stop # detener el contenedor activo
El runner:
- Verifica que el demonio de Docker sea accesible (falla con indicaciones claras si no lo es).
- Construye la imagen
transcribe-video-whisperdesdeassets/whisper-service/si falta (la primera compilación es lenta: compila whisper.cpp e incluye el modeloggml-base.en.bin). - Inicia el contenedor
transcribe-video-whisper(puerto del host 9111 → contenedor 9001); lo reutiliza si ya está en ejecución, o lo inicia condocker startsi está detenido. - Espera a que
GET /healthzresponda correctamente. - Extrae un WAV mono de 16 kHz de la entrada con ffmpeg local (whisper.cpp solo decodifica WAV), luego lo envía mediante POST a
/transcribeconword_ts=true. - Escribe
transcript.txt,transcript.srt,transcript.words.jsonen--out(por defecto: el directorio del archivo de entrada) e imprime una línea de resultado JSON en stdout.
Salidas
transcript.txt— texto plano.transcript.srt— texto de subtítulos.transcript.words.json—[{ "word", "start", "end" }], en segundos, ordenados por tiempo. Es la fuente de sincronización para superposiciones/subtítulos.
Línea de resultado en stdout (para llamadas programáticas como /produce-video):
{ "ok": true, "outDir": "...", "wordCount": 38, "segmentCount": 2, "files": { "txt": "transcript.txt", "srt": "transcript.srt", "words": "transcript.words.json" } }
Requisitos
- Docker es OBLIGATORIO — el servicio Whisper se ejecuta en un contenedor, por lo que Docker Desktop debe estar instalado Y en ejecución. El runner lo verifica primero y falla con indicaciones de instalación/inicio si Docker falta o su demonio está caído; no hay alternativa sin Docker.
- ffmpeg es OBLIGATORIO (se usa para extraer un WAV mono de 16 kHz para Whisper) — el runner lo verifica al inicio y falla si no está en PATH.
- Node ≥ 22.
Notas
- El contenedor se deja en ejecución (
--restart unless-stopped) para reutilización en caliente; se detiene con--stop. - Si se solicitan marcas de tiempo por palabra pero no se reciben, el runner falla de forma clara (la sincronización de superposiciones depende de ellas).
- Consulta
references/para el ciclo de vida de Docker, la forma de la API y la procedencia de los archivos incluidos.