import gradio as gr import whisper import yt_dlp import os import tempfile import time # Whisper 모델 로드 (Spaces GPU 환경에서는 "medium" 권장, CPU는 "base") model = None def load_model(model_size="base"): global model if model is None: print(f"Loading Whisper {model_size} model...") model = whisper.load_model(model_size) print("Model loaded!") return model def extract_audio_from_youtube(url, progress=gr.Progress()): """YouTube URL에서 오디오 추출""" progress(0.1, desc="YouTube 오디오 다운로드 중...") temp_dir = tempfile.mkdtemp() output_path = os.path.join(temp_dir, "audio") ydl_opts = { 'format': 'bestaudio/best', 'postprocessors': [{ 'key': 'FFmpegExtractAudio', 'preferredcodec': 'mp3', 'preferredquality': '192', }], 'outtmpl': output_path, 'quiet': True, 'no_warnings': True, } try: with yt_dlp.YoutubeDL(ydl_opts) as ydl: info = ydl.extract_info(url, download=True) title = info.get('title', 'Unknown') duration = info.get('duration', 0) except Exception as e: raise gr.Error(f"YouTube 다운로드 실패: {str(e)}") audio_file = output_path + ".mp3" if not os.path.exists(audio_file): # 확장자가 다를 수 있음 for ext in ['.mp3', '.m4a', '.wav', '.webm', '.opus']: candidate = output_path + ext if os.path.exists(candidate): audio_file = candidate break if not os.path.exists(audio_file): raise gr.Error("오디오 파일 추출 실패") return audio_file, title, duration def format_timestamp(seconds): """초를 HH:MM:SS 형식으로 변환""" h = int(seconds // 3600) m = int((seconds % 3600) // 60) s = int(seconds % 60) if h > 0: return f"{h:02d}:{m:02d}:{s:02d}" return f"{m:02d}:{s:02d}" def transcribe_youtube(url, model_size, language, output_format, progress=gr.Progress()): """메인 처리 함수: YouTube URL → 텍스트""" if not url or not url.strip(): raise gr.Error("YouTube URL을 입력해주세요.") start_time = time.time() # 1) 오디오 추출 audio_file, title, duration = extract_audio_from_youtube(url, progress) # 2) Whisper 모델 로드 progress(0.3, desc=f"Whisper {model_size} 모델 로딩 중...") whisper_model = load_model(model_size) # 3) 음성 인식 progress(0.5, desc="음성 인식 중... (영상 길이에 따라 시간이 소요됩니다)") transcribe_opts = { "verbose": False, "fp16": False, } if language != "auto": transcribe_opts["language"] = language result = whisper_model.transcribe(audio_file, **transcribe_opts) progress(0.9, desc="결과 정리 중...") # 4) 결과 포맷팅 detected_lang = result.get("language", "unknown") segments = result.get("segments", []) if output_format == "텍스트만": transcript = result["text"].strip() elif output_format == "타임스탬프 포함": lines = [] for seg in segments: ts = format_timestamp(seg["start"]) lines.append(f"[{ts}] {seg['text'].strip()}") transcript = "\n".join(lines) else: # SRT 자막 srt_lines = [] for i, seg in enumerate(segments, 1): start = seg["start"] end = seg["end"] start_ts = f"{int(start//3600):02d}:{int((start%3600)//60):02d}:{int(start%60):02d},{int((start%1)*1000):03d}" end_ts = f"{int(end//3600):02d}:{int((end%3600)//60):02d}:{int(end%60):02d},{int((end%1)*1000):03d}" srt_lines.append(f"{i}") srt_lines.append(f"{start_ts} --> {end_ts}") srt_lines.append(seg["text"].strip()) srt_lines.append("") transcript = "\n".join(srt_lines) elapsed = time.time() - start_time # 5) 메타 정보 info_text = f"""📹 제목: {title} ⏱️ 영상 길이: {format_timestamp(duration)} 🌐 감지된 언어: {detected_lang} 📝 세그먼트 수: {len(segments)} ⚡ 처리 시간: {elapsed:.1f}초""" # 6) 텍스트 파일 저장 txt_path = os.path.join(tempfile.mkdtemp(), f"{title[:50]}_transcript.txt") with open(txt_path, "w", encoding="utf-8") as f: f.write(transcript) # 오디오 파일 정리 try: os.remove(audio_file) except: pass progress(1.0, desc="완료!") return info_text, transcript, txt_path # ==================== Gradio UI ==================== css = """ #title { text-align: center; margin-bottom: 0.5em; } #subtitle { text-align: center; color: #666; margin-bottom: 1.5em; } .output-text textarea { font-size: 14px !important; line-height: 1.6 !important; } """ with gr.Blocks( title="YouTube Speech-to-Text" ) as demo: gr.HTML("

🎬 YouTube Speech-to-Text

") gr.HTML("

YouTube 영상의 음성을 텍스트로 변환합니다

") with gr.Row(): with gr.Column(scale=3): url_input = gr.Textbox( label="YouTube URL", placeholder="https://www.youtube.com/watch?v=... 또는 https://youtu.be/...", lines=1, ) with gr.Column(scale=1): model_size = gr.Dropdown( choices=["tiny", "base", "small", "medium", "large"], value="base", label="Whisper 모델", info="크기가 클수록 정확하지만 느립니다" ) with gr.Row(): language = gr.Dropdown( choices=[ ("자동 감지", "auto"), ("한국어", "ko"), ("영어", "en"), ("일본어", "ja"), ("중국어", "zh"), ], value="auto", label="언어 설정", ) output_format = gr.Dropdown( choices=["텍스트만", "타임스탬프 포함", "SRT 자막"], value="타임스탬프 포함", label="출력 형식", ) run_btn = gr.Button("🚀 변환 시작", variant="primary", size="lg") with gr.Row(): info_output = gr.Textbox(label="📋 영상 정보", lines=5, interactive=False) transcript_output = gr.Textbox( label="📝 변환 결과", lines=15, interactive=True, elem_classes=["output-text"], ) file_output = gr.File(label="💾 텍스트 파일 다운로드") run_btn.click( fn=transcribe_youtube, inputs=[url_input, model_size, language, output_format], outputs=[info_output, transcript_output, file_output], ) gr.Markdown(""" --- **사용 팁:** - `tiny`/`base`: 빠르지만 정확도 낮음 (CPU 환경 권장) - `small`/`medium`: 균형 잡힌 선택 - `large`: 최고 정확도 (GPU 필수, 시간 소요) - 한국어 영상은 언어를 `한국어`로 지정하면 더 정확합니다 """) if __name__ == "__main__": demo.launch(theme=gr.themes.Soft(), css=css)