stt-ru распознает русскую речь в записях разговоров, лекций и диктовки. Речь распознает модель GigaAM-v3 через onnx-asr: текст получается с пунктуацией и числами, каналы стереозаписи распознаются как отдельные говорящие, результат сохраняется в субтитры и таблицы. Модель работает на CPU без PyTorch, на GPU NVIDIA - через ONNX Runtime.
- Команда transcribe - файлы и каталоги, результаты каждого файла и общий файл на пакет, мониторинг папки с новыми записями
- Форматы результата - TXT, JSON, JSONL, SRT, VTT, ASS для Aegisub и CSV для таблиц
- Библиотека Python - распознавание файлов и записей в памяти, экспорт результата
- Модели - любая модель onnx-asr: GigaAM, T-one, Vosk, Whisper и другие; устройства и параметры поиска речи
- Оценка качества - WER, CER и скорость моделей на своей разметке
- Веб-сервис - веб-интерфейс с формой волны и переходом по фрагментам, REST API, очередь и токен доступа
- Docker - образы для CPU и GPU NVIDIA с моделью внутри
Установка
Требуется Python 3.11 или новее.
pip install stt-ru
Или с помощью uv:
uv add stt-ru
Дополнения: ffmpeg - форматы M4A, AAC, звук из видео без установленного ffmpeg; service - веб-интерфейс и REST API; eval - оценка качества. Все сразу:
pip install "stt-ru[ffmpeg,service,eval]"
Модель (около 230 МБ) скачивается с Hugging Face при первом запуске. GPU и работа без интернета - на странице Установка.
Быстрый старт
stt-ru transcribe call.wav # текст в консоль
stt-ru transcribe calls/ -o out/ -f srt,ass,csv --summary out/all.csv
stt-ru transcribe calls/ -o out/ --watch # мониторинг папки
stt-ru evaluate eval.csv -m gigaam-v3-e2e-rnnt -m t-tech/t-one # сравнение моделей
stt-ru serve # http://127.0.0.1:8000
>>> from stt_ru import Transcriber
>>> result = Transcriber().transcribe("call.wav")
>>> for segment in result.segments:
... print(segment.speaker, segment.start, segment.end, segment.text)
Канал 1 0.994 9.054 Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.
Канал 0 3.49 3.934 Угу
Канал 0 7.682 8.222 Угу
Канал 1 9.634 12.638 Я в свою очередь с вами прощаюсь. Всего доброго, до свидания.
Канал 0 12.994 13.662 До свидания.
>>> result.save("call.srt")
PosixPath('call.srt')
Ноутбуки с примерами - в каталоге notebooks/: быстрый старт, аналитика звонка, длинная запись и субтитры, оценка моделей, веб-сервис из Python. Каждый открывается в Colab, описания - на странице Примеры.
Docker
docker run -d -p 8000:8000 -e STT_RU_TOKEN=my-secret-token ghcr.io/sergeyshk/stt-ru # веб-сервис
docker run --rm -v "$PWD:/data" ghcr.io/sergeyshk/stt-ru transcribe call.wav # один файл
docker run -d --gpus all -p 8000:8000 -e STT_RU_TOKEN=my-secret-token ghcr.io/sergeyshk/stt-ru:latest-gpu
Модель по умолчанию уже в образе: контейнер распознает без сети. Тома, права на запись, Compose и требования GPU-образа - на странице Docker.
Разработка
Проект использует uv для управления зависимостями и ruff для линтинга и форматирования.
git clone https://github.com/SergeyShk/Speech-to-Text-Russian.git
cd Speech-to-Text-Russian
make deps # создать окружение и установить зависимости
make test # запустить тесты и примеры из докстрингов (doctest)
make lint # ruff + mypy
make docker # собрать Docker-образ
Полный список команд - make help. Документация двуязычная: русские страницы docs/*.md, английские - docs/*.en.md рядом с ними; при правке страницы обновляйте обе версии.
Перед отправкой изменений стоит установить хуки, которые прогонят линтеры на коммите и тесты на пуше:
uv run pre-commit install
Участие в проекте
Баг-репорты, идеи и пул-реквесты приветствуются - issues открыты. Как устроен процесс и что проверить перед отправкой пул-реквеста - в CONTRIBUTING.md; правила общения - в кодексе поведения.
- docs - документация MkDocs на русском и английском
- docker - Docker-образы для CPU и GPU NVIDIA, файлы Docker Compose
- src/stt_ru:
- pipeline.py - распознавание файлов и записей в памяти
- result.py - результат распознавания: фрагменты и сведения о записи
- batch.py - пакетное распознавание файлов и мониторинг каталогов
- cli.py - команда
stt-ru
- exceptions.py - исключения библиотеки
- audio - чтение аудио через soundfile и ffmpeg
- asr - распознавание моделью onnx-asr
- vad - параметры поиска речи Silero VAD
- export - форматы результата
- evaluation - оценка качества на разметке
- service - веб-интерфейс, REST API и очередь задач
- tests - тесты, повторяющие структуру пакета
Авторы
Лицензия
Код распространяется под лицензией MIT. Модель GigaAM-v3 распространяется под лицензией MIT; у других моделей onnx-asr - свои лицензии.
