Kairos Automatic Speech Recognition

📄 Описание

Kairos ASR — высокопроизводительная библиотека распознавания русской речи на базе GigaAM-style RNN-T и ONNX. Фокус: скорость, точность и простая интеграция в микросервисы и десктопы.

Основные возможности:

• Оптимизированный ONNX-инференс
• CPU, GPU (CUDA, extra [gpu]) и Metal (MPS, extra [metal])
• Временные метки (word-level, sentence-level)
• Итеративная обработка с прогрессом и ETA
• Встроенный Voice-Activity-Detection (VAD)
• Поддержка длинных аудио
• Поддержка Windows, Linux и macOS

⚡ Быстрый старт

pip install kairos-asr[cpu]
# для GPU (Windows/Linux): pip install kairos-asr[gpu]
# для macOS (Metal/MPS): pip install kairos-asr[metal]

Если нужна конкретная сборка Torch под вашу CUDA:

# пример под CUDA 12.1/12.2 (cu121)
pip install torch==2.5.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121 --upgrade

🚀 Использование (Python)

Минимальный пример:

from kairos_asr import KairosASR

asr = KairosASR()  # авто-загрузка весов с HF
result = asr.transcribe(wav_file="audio.wav")
print(result.full_text)

Требования к аудио:

• Любые форматы, поддерживаемые ffmpeg; ресемплинг до 16 kHz.
• WAV PCM 16-bit mono (рекомендуется); стерео приводится к моно.
• Длинные записи режутся Silero VAD на ~15–25 c (жёсткий лимит ~30 c) и объединяются.

🖥️ Использование (CLI)

Установите пакет, затем:

# Проверить окружение
kairos-asr doctor

# Список локальных/доступных моделей
kairos-asr list

# Скачать все модели заранее
kairos-asr download

# Перевести файл в текст
kairos-asr transcribe <wav_file>

⚙️ Системные требования

• ffmpeg должен быть доступен в PATH (загрузка и ресемплинг аудио).
• Доступ в интернет. При первом запуске скачиваются веса моделей. Для ускорения и избежания лимитов задайте HF_TOKEN (huggingface-cli login или экспорт переменной окружения).