import os import sys import whisper import requests import subprocess import math from pydub import AudioSegment import time # 常量定義 MODEL_OPTIONS = ["tiny", "base", "small", "medium", "large", "large-v2", "large-v3"] DEFAULT_MODEL = "small" DEFAULT_PROMPT = "請轉錄以下內容為繁體中文" MAX_FILE_SIZE_MB = 25 # OpenAI API 文件大小限制為 25MB # 檢查 ffmpeg 是否已安裝 def is_ffmpeg_installed(): try: subprocess.run(["ffmpeg", "-version"], stdout=subprocess.PIPE, stderr=subprocess.PIPE, check=False) return True except FileNotFoundError: return False # 檢查文件大小 def check_file_size(file_path, max_size_mb=MAX_FILE_SIZE_MB): try: file_size_mb = os.path.getsize(file_path) / (1024 * 1024) return file_size_mb <= max_size_mb, file_size_mb except Exception as e: print(f"檢查文件大小時出錯: {str(e)}") return True, 0 # 分割音頻文件為較小的片段 def split_audio_file(file_path, segment_duration_ms=30000): # 默認 30 秒一段 try: # 載入音頻 print(f"正在載入音頻文件: {file_path}") audio = AudioSegment.from_file(file_path) duration_ms = len(audio) # 計算需要分割的段數 segments_count = math.ceil(duration_ms / segment_duration_ms) print(f"音頻總長度: {duration_ms/1000:.1f} 秒，將分割為 {segments_count} 個片段") # 分割音頻 file_name = os.path.splitext(file_path)[0] file_ext = os.path.splitext(file_path)[1] segment_files = [] for i in range(segments_count): start_time = i * segment_duration_ms end_time = min((i + 1) * segment_duration_ms, duration_ms) segment = audio[start_time:end_time] segment_path = f"{file_name}_part{i+1}{file_ext}" print(f"正在導出片段 {i+1}/{segments_count}...") segment.export(segment_path, format=file_ext.replace(".", "")) segment_files.append(segment_path) return segment_files except Exception as e: print(f"分割音頻文件時出錯: {str(e)}") return [file_path] # 發生錯誤時返回原始文件 # 使用本地 Whisper 模型進行轉錄，實時顯示結果 def transcribe_with_local_model(audio_path, model_size, prompt): if not is_ffmpeg_installed(): print("錯誤: 找不到 ffmpeg。請安裝 ffmpeg 後再使用本地模型。") print("在 Mac 上，您可以使用 'brew install ffmpeg' 命令安裝。") return try: print(f"正在載入 {model_size} 模型...") model = whisper.load_model(model_size) # 分割音頻為較小的片段以實時顯示結果 segments = split_audio_file(audio_path) full_text = "" for i, segment_path in enumerate(segments): print(f"\n處理片段 {i+1}/{len(segments)}...") # 使用 Whisper 模型轉錄當前片段 result = model.transcribe( segment_path, language="zh", task="transcribe", initial_prompt=prompt ) # 顯示當前片段的轉錄結果 segment_text = result["text"] print(f"片段 {i+1} 轉錄結果: {segment_text}") # 累積完整文本 full_text += segment_text + " " # 如果是臨時創建的分割文件，則刪除 if segment_path != audio_path: os.remove(segment_path) return full_text.strip() except Exception as e: print(f"使用本地模型轉錄時出錯: {str(e)}") return None # 使用 OpenAI API 進行轉錄，實時顯示結果 def transcribe_with_openai_api(audio_path, api_key, prompt): # 檢查文件大小 is_size_ok, file_size_mb = check_file_size(audio_path) if not is_size_ok: print(f"警告: 音頻文件大小 ({file_size_mb:.1f}MB) 超過 OpenAI API 限制 (25MB)。") print("將嘗試分割文件...") try: # 分割音頻為較小的片段 segments = split_audio_file(audio_path) full_text = "" for i, segment_path in enumerate(segments): print(f"\n處理片段 {i+1}/{len(segments)}...") # 檢查當前片段的大小 is_segment_size_ok, segment_size_mb = check_file_size(segment_path) if not is_segment_size_ok: print(f"警告: 片段 {i+1} 大小 ({segment_size_mb:.1f}MB) 超過限制，將跳過此片段。") continue # 使用 OpenAI API 轉錄當前片段 headers = { "Authorization": f"Bearer {api_key}" } with open(segment_path, "rb") as f: files = { "file": (os.path.basename(segment_path), f) } data = { "model": "whisper-1", "prompt": prompt } print(f"正在發送片段 {i+1} 到 OpenAI API...") response = requests.post( "https://api.openai.com/v1/audio/transcriptions", headers=headers, files=files, data=data ) if response.status_code == 200: segment_text = response.json().get("text", "") print(f"片段 {i+1} 轉錄結果: {segment_text}") full_text += segment_text + " " else: print(f"片段 {i+1} 轉錄失敗: {response.status_code} - {response.text}") # 如果是臨時創建的分割文件，則刪除 if segment_path != audio_path: os.remove(segment_path) return full_text.strip() except Exception as e: print(f"使用 OpenAI API 轉錄時出錯: {str(e)}") return None # 主函數 def main(): print("===== Whisper 語音轉錄 CLI 工具 =====") print("這個工具可以將音頻文件轉錄為文字，並在處理過程中實時顯示結果。") # 獲取音頻文件路徑 audio_path = input("\n請輸入音頻文件路徑: ").strip() if not os.path.exists(audio_path): print(f"錯誤: 找不到文件 '{audio_path}'") return # 選擇使用本地模型還是 OpenAI API use_openai = input("\n是否使用 OpenAI API? (y/n，默認: n): ").strip().lower() == 'y' if use_openai: # 使用 OpenAI API api_key = input("\n請輸入您的 OpenAI API Key: ").strip() if not api_key: print("錯誤: API Key 不能為空") return prompt = input("\n請輸入轉錄提示 (默認: '請轉錄以下內容為繁體中文'): ").strip() if not prompt: prompt = DEFAULT_PROMPT print("\n開始使用 OpenAI API 進行轉錄...") full_text = transcribe_with_openai_api(audio_path, api_key, prompt) else: # 使用本地模型 print("\n可用的模型: " + ", ".join(MODEL_OPTIONS)) model_size = input(f"請選擇模型 (默認: {DEFAULT_MODEL}): ").strip() if not model_size or model_size not in MODEL_OPTIONS: model_size = DEFAULT_MODEL prompt = input("\n請輸入轉錄提示 (默認: '請轉錄以下內容為繁體中文'): ").strip() if not prompt: prompt = DEFAULT_PROMPT print("\n開始使用本地模型進行轉錄...") full_text = transcribe_with_local_model(audio_path, model_size, prompt) if full_text: print("\n===== 完整轉錄結果 =====") print(full_text) # 保存結果到文件 output_path = os.path.splitext(audio_path)[0] + "_transcript.txt" with open(output_path, "w", encoding="utf-8") as f: f.write(full_text) print(f"\n轉錄結果已保存到: {output_path}") if __name__ == "__main__": main()