Библиотека Python¶

Распознавание¶

stt_ru.Transcriber

Transcriber загружает модель один раз и распознает ею файлы и записи в памяти. Каналы стереозаписи распознаются отдельно, записи длиннее 10 минут - окнами около 10 минут с границей в паузе. Один объект можно использовать из нескольких потоков.

Параметр	Тип	По умолчанию	Описание
`model`	str	`"gigaam-v3-e2e-rnnt"`	Имя модели onnx-asr
`quantization`	str	`"int8"`	Квантизация весов; `None` - исходные веса
`model_dir`	str	`None`	Каталог с файлами модели; `None` - кэш Hugging Face
`providers`	list[str]	`None`	Провайдеры ONNX Runtime по приоритету; `None` - доступные, кроме CoreML и TensorRT
`vad`	VadOptions	`None`	Параметры поиска речи
`split_channels`	bool	`True`	Распознавать каналы отдельно; `False` - сводить в один
`ffmpeg`	str	`None`	Путь к ffmpeg; `None` - поиск в `PATH` и в `imageio-ffmpeg`

Метод	Описание
`transcribe(path)`	Распознает файл и возвращает `Transcript`
`transcribe_audio(audio, source=None)`	Распознает запись в памяти (`Audio`)
`load(path, *, max_duration=None)`	Читает файл с частотой, которую принимает модель; `max_duration` в секундах ограничивает длину записи

>>> from stt_ru import Transcriber

>>> transcriber = Transcriber()
>>> result = transcriber.transcribe("call.wav")
>>> result.duration, result.channels, len(result.segments)
(15.751, 2, 5)
>>> result.segments[0]
Segment(start=0.994, end=9.054, text='Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.', channel=1)

Результат¶

stt_ru.Transcript, stt_ru.Segment

Transcript - результат распознавания записи: фрагменты по времени начала и сведения о записи.

Атрибут	Тип	Описание
`segments`	tuple[Segment, ...]	Фрагменты речи по времени начала
`duration`	float	Длительность записи, с
`channels`	int	Число распознанных каналов: 1, если каналы сведены или одинаковы
`model`	str	Модель распознавания
`source`	str	Имя файла записи; `None` - запись не из файла
`channel_map`	tuple[int \| None, ...]	Для каждого канала записи - номер канала, под которым распознана его речь: свой, совпавшего с ним или `None`, если дорожка одна
`text`	str	Текст всех фрагментов через пробел

save(path, fmt=None) сохраняет результат в формате по расширению файла или из fmt.

Segment - фрагмент речи: start и end в секундах, text, channel (номер канала с нуля; None - каналы сведены), speaker («Канал N» или None) и duration.

Экспорт¶

stt_ru.export

Функция	Описание
`render(transcript, fmt)`	Текст результата в формате из `FORMATS`
`dumps(transcript, fmt)`	Содержимое файла в байтах: UTF-8, у CSV - с BOM
`save(transcript, path, fmt=None)`	Запись в файл целиком; формат - по расширению или из `fmt`
`to_txt`, `to_json`, `to_jsonl`, `to_srt`, `to_vtt`, `to_ass`, `to_csv`	Текст в одном формате

FORMATS - кортеж поддерживаемых форматов: ("txt", "json", "jsonl", "srt", "vtt", "ass", "csv").

>>> from stt_ru.export import render
>>> print("\n".join(render(result, "srt").splitlines()[4:7]))
2
00:00:03,490 --> 00:00:03,934
Канал 0: Угу

Аудио¶

stt_ru.audio

load_audio(path, *, sample_rate=None, ffmpeg=None, max_duration=None) читает файл в Audio: отсчеты float32 формы (число отсчетов, число каналов) и частоту. sample_rate меняет частоту через ffmpeg, max_duration отклоняет запись длиннее заданного числа секунд, не декодируя ее целиком. У Audio есть num_channels, duration, channel(index), mono() и peaks(points) - пики для рисования формы волны. find_ffmpeg() возвращает путь к ffmpeg, который будет использован, или None.

Запись из другого источника можно распознать без файла:

>>> import numpy as np
>>> from stt_ru.audio import Audio

>>> samples = np.zeros((16000 * 5, 1), dtype=np.float32)    # 5 с тишины
>>> transcriber.transcribe_audio(Audio(samples, 16000)).segments
()

Исключения¶

stt_ru.exceptions

Все исключения наследуют SttRuError, а некоторые - еще и встроенный класс Python, поэтому их можно ловить по любому из имен.

Исключение	Встроенный класс	Когда поднимается
`SttRuError`	`Exception`	Базовый класс
`AudioError`	-	Файл не читается, для него нужен ffmpeg, а его нет, запись длиннее `max_duration`, модель не принимает частоту
`ModelError`	-	Модель не поддерживается, ее не удалось скачать или ее файлы повреждены
`ParameterError`	`ValueError`	Недопустимое значение параметра: формат, поиск речи, разметка оценки
`MissingDependencyError`	`ImportError`	Нет пакета из дополнения, например `jiwer` для оценки качества

Отсутствующий файл дает встроенное FileNotFoundError.