O que Transcrever Vídeo faz?
Transcreve localmente qualquer arquivo de vídeo/áudio usando um serviço whisper.cpp empacotado. Sem projeto externo ou API em nuvem. Retorna timestamps no nível da palavra (necessários para overlays/legendas sincronizadas).
Quando usar
- "Transcreva este clipe / vídeo / áudio", "obtenha uma transcrição com timestamps".
- Como sub-etapa de
/produce-video.
Como executa
Tudo é gerenciado pelo executor empacotado — nunca peça ao usuário para gerenciar o Docker:
node scripts/transcribe.mjs <caminho-para-video-ou-audio> [--out <dir>] [--port 9111] [--language en] [--no-word-ts] [--task transcribe|translate]
node scripts/transcribe.mjs --stop # para o contêiner quente
O executor:
- Verifica se o daemon do Docker está acessível (falha com orientação se não estiver).
- Constrói a imagem
transcribe-video-whispera partir deassets/whisper-service/se ela estiver faltando (a primeira construção é lenta: compila whisper.cpp e empacota o modeloggml-base.en.bin). - Inicia o contêiner
transcribe-video-whisper(porta do host 9111 → contêiner 9001); reutiliza se já estiver em execução, executadocker startse estiver parado. - Aguarda
GET /healthzresponder ok. - Extrai um WAV mono de 16 kHz da entrada com ffmpeg local (whisper.cpp só decodifica WAV) e então o envia para
/transcribecomword_ts=true. - Escreve
transcript.txt,transcript.srt,transcript.words.jsonem--out(padrão: o diretório do arquivo de entrada) e imprime uma linha JSON de resultado no stdout.
Saídas
transcript.txt— texto simples.transcript.srt— texto de legenda.transcript.words.json—[{ "word", "start", "end" }], em segundos, ordenados por tempo. Esta é a fonte de sincronização para overlays/legendas.
Linha de resultado no stdout (para chamadas programáticas como /produce-video):
{ "ok": true, "outDir": "...", "wordCount": 38, "segmentCount": 2, "files": { "txt": "transcript.txt", "srt": "transcript.srt", "words": "transcript.words.json" } }
Requisitos
- Docker é OBRIGATÓRIO — o serviço Whisper executa em um contêiner, portanto o Docker Desktop deve estar instalado E em execução. O executor verifica isso primeiro e falha com orientações de instalação/inicialização se o Docker estiver ausente ou seu daemon estiver parado; não há fallback sem Docker.
- ffmpeg é OBRIGATÓRIO (usado para extrair um WAV mono de 16 kHz para o Whisper) — o executor verifica sua presença antecipadamente e falha se não estiver no PATH.
- Node ≥ 22.
Notas
- O contêiner permanece em execução (
--restart unless-stopped) para reuso quente; pare com--stop. - Se timestamps de palavra forem solicitados mas nenhum for retornado, o executor falha (a sincronização de overlay depende deles).
- Consulte
references/para o ciclo de vida do Docker, a forma da API e a proveniência do fornecimento.