henrCh1/meeting-to-text

O que meeting-to-text faz?

Habilidade de IA para transcrição local de reuniões e diarização de falantes (SenseVoice + 3D-Speaker). Conversão offline de vídeo/áudio para texto com separação de falantes (< 3 GB). Habilidade de agente inteligente para transcrição de reuniões local e puramente offline, integrando extração de áudio/vídeo e ASR de alta precisão.

Visão Geral

Esta habilidade utiliza modelos de IA de última geração para transcrever e diarizar reuniões, entrevistas ou qualquer gravação de áudio ou vídeo, completamente offline. Ela combina:

• Extração de áudio: Separa a faixa de áudio de arquivos de vídeo automaticamente.
• Reconhecimento de fala (ASR): Utiliza o modelo SenseVoice para converter fala em texto com alta precisão.
• Diarização de falantes (Speaker Diarization): Emprega o modelo 3D-Speaker (mais especificamente 3D-Speaker Speaker Embedding seguido por um componente de diarização) para identificar "quem falou o quê" e separar os diferentes falantes.

Pré-requisitos

• Sistema Operacional: Linux, macOS ou Windows (com suporte a Python e GPU/multi-processamento).
• Hardware: Recomendado pelo menos 4 GB de RAM (a skill em si consome < 3 GB). GPU com CUDA é opcional, mas acelera o processo significativamente.
• Software:
  • Python 3.8 ou superior.
  • ffmpeg (para extração de áudio).
  • Pip e ambiente virtual Python (recomendado).

Instalação

1. Clone o repositório:

   git clone https://github.com/henrCh1/meeting-to-text.git
   cd meeting-to-text
   

2. Crie e ative um ambiente virtual:

   python -m venv venv
   source venv/bin/activate  # Linux/macOS
   # .\venv\Scripts\activate  # Windows
   

3. Instale as dependências:

   pip install -r requirements.txt
   

Uso

Comando Básico

Para transcrever um único arquivo de áudio ou vídeo:

python transcribe.py --input caminho/para/seu/arquivo.mp4

Para arquivos de áudio como MP3, WAV, etc.:

python transcribe.py --input caminho/para/seu/arquivo.wav

Opções

• --input (obrigatório): Caminho para o arquivo de áudio ou vídeo.
• --model (opcional): Especificar qual modelo ASR usar (padrão: SenseVoice).
• --device (opcional): Forçar dispositivo (cuda ou cpu).
• --output (opcional): Caminho para salvar a transcrição (padrão: diretório do input com sufixo _transcript.txt).

exemplo:

python transcribe.py --input reuniao.mp4 --output reuniao_transcrito.txt --device cuda

Saída

O script gera um arquivo de texto com timestamps e falantes identificados:

[00:00:00 - 00:00:05] Falante_1: Olá, bem-vindos à reunião.
[00:00:05 - 00:00:10] Falante_2: Obrigado. Vamos começar.
[00:00:10 - 00:00:15] Falante_1: Primeiramente, gostaria de discutir o projeto.

Como Funciona (Fluxo Interno)

1. Extração: Se o arquivo for vídeo, ffmpeg extrai a faixa de áudio.
2. Pré-processamento: O áudio é normalizado e segmentado.
3. ASR com SenseVoice: O modelo SenseVoice transcreve cada segmento em texto.
4. Diarização com 3D-Speaker: O modelo 3D-Speaker extrai embeddings de fala e agrupa segmentos por similaridade, identificando os falantes.
5. Pós-processamento: Os resultados são combinados, com timestamps e rótulos de falantes, e salvos em arquivo de texto.

Suporte a Agentes

Esta skill pode ser integrada a agentes de IA como:

• Claude Code: Pode ser invocada como uma ferramenta para processar arquivos de reunião.
• Cursor: Scripts podem ser executados via terminal integrado ou configuração de comandos personalizados.
• Codex: Pode ser usada como um script executor de alta privacidade para dados de áudio.

Personalização

• Modelos: Você pode modificar o arquivo config.json para trocar os modelos padrão.
• Idiomas: O SenseVoice suporta múltiplos idiomas (configurável nas opções).

Notas

• Certifique-se de que o ffmpeg está instalado no sistema.
• Para GPU, instale PyTorch com suporte CUDA (pip install torch==versao+cu121).
• O modelo 3D-Speaker será baixado automaticamente na primeira execução.

Licença

Este projeto é distribuído sob a licença MIT. Consulte o arquivo LICENSE para mais detalhes.

Contribuição

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou pull requests.