stt-ru

Speech-to-Text Russian - распознавание русской речи: библиотека Python, команда, веб-сервис и Docker-образ

Документация · PyPI · Docker · English

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.

Авторы

• Шкарин Сергей (kouki.sergey@gmail.com)

Лицензия

Код распространяется под лицензией MIT. Модель GigaAM-v3 распространяется под лицензией MIT; у других моделей onnx-asr - свои лицензии.