Przejdź do treści
Jak zrobić transkrypcję z pliku audio?

Jak zrobić transkrypcję z pliku audio?

Grzegorz Hawałej · opublikowano 4 sierpnia 2026 · zaktualizowano 20 października 2026

Ten notatnik jest przeznaczony dla osób, które chcą sprawdzić automatyczną transkrypcję bez kosztów i bez instalowania czegokolwiek. Sprawdza się przy sporadycznym użyciu, bo bezpłatny Colab ogranicza czas sesji i dostęp do GPU. Notatnik nie rozpoznaje mówców. W zapisie rozmowy kilku osób wypowiedzi nie mają etykiet, więc podział na mówców trzeba nanieść samemu, odsłuchując nagranie. Do regularnej pracy z rozmowami lepiej nadaje się ElevenLabs Scribe v2, płatny, ale z rozpoznawaniem mówców.

Instrukcja do notatnika parakeet_tdt_0_6b_v3_colab_workflow.ipynb, wersja 3. Notatnik otwiera się w Colabie bezpośrednio z tego odsyłacza.

W skrócie

  • Co robi: zamienia nagrania audio i wideo w tekst i napisy ze znacznikami czasu — TXT, SRT, VTT albo JSON
  • Ile kosztuje: nic — model parakeet-tdt-0.6b-v3 jest na licencji CC BY 4.0, a Google Colab udostępnia GPU w wersji bezpłatnej
  • Obsługa: wybór nagrań i ustawienia w formularzach, potem Run all; kodu nie trzeba czytać ani edytować
  • Skala: całe partie plików w jednej sesji, także cały folder z Google Drive; długie nagrania, do około 3 godzin, notatnik rozpoznaje sam
  • Języki: 25 języków europejskich z automatycznym rozpoznaniem, w tym polski; model sam dodaje interpunkcję i wielkie litery
  • Czego potrzebujesz: konta Google i przeglądarki — nic nie instalujesz lokalnie
  • Ograniczenie: bezpłatny Colab limituje czas sesji i dostęp do GPU w godzinach szczytu; przy dużych wolumenach warto liczyć się z przerwami

Zasada działania

Notatnik uruchamia w Google Colab model mowy-na-tekst nvidia/parakeet-tdt-0.6b-v3 (framework NVIDIA NeMo) i przepuszcza przez niego pliki audio i wideo. Zwraca transkrypcję i napisy ze znacznikami czasu.

Model:

  • ma 600 mln parametrów (architektura FastConformer z dekoderem TDT),
  • automatycznie rozpoznaje język i transkrybuje w 25 językach europejskich, w tym po polsku,
  • sam dodaje interpunkcję i wielkie litery,
  • zwraca znaczniki czasu na poziomie znaku, słowa i segmentu,
  • z pełną uwagą enkodera obsługuje około 24 minut nagrania na karcie A100, na darmowej T4 mniej; z uwagą lokalną do około 3 godzin,
  • jest dostępny na licencji CC BY 4.0: użycie komercyjne i niekomercyjne jest dozwolone z podaniem autora.

Pliki wejściowe notatnik konwertuje przez ffmpeg do 16 kHz mono, strumieniowo, więc bez ryzyka przepełnienia pamięci nawet przy wielogodzinnych nagraniach. Pliki WAV i FLAC, które mają już ten format, idą bez konwersji.

Wymagania

  • Konto Google i dostęp do Google Colab.
  • Włączony akcelerator GPU. Model działa też na procesorze, ale wolniej.
  • Zalecane: Google Drive — jako źródło dużych plików i trwałe miejsce na wyniki.

Szybki start

  1. Otwórz notatnik i wybierz Runtime → Change runtime type → T4 GPU, potem Save.
  2. W kroku 4. Wybierz nagrania wskaż, skąd wziąć nagrania. Formaty wyników i miejsce zapisu zmienisz w kroku 1. Ustawienia; domyślne ustawienia wystarczą na start.
  3. Uruchom wszystko: Runtime → Run all (Ctrl+F9). Przy nagraniach z komputera notatnik zatrzyma się na przycisku Wybierz pliki.
  4. Odbierz wyniki: tabela i podgląd w kroku 5, pliki na Google Drive albo w pobranym archiwum ZIP.

Kod komórek jest ukryty. Dwuklik na formularzu go pokazuje.

Kroki notatnika

1. Ustawienia

Formularz obejmuje formaty wyników, obsługę długich nagrań i miejsce zapisu. Domyślne ustawienia wystarczą na start. Po zmianie uruchom tę komórkę ponownie.

OpcjaZnaczenie
TRYB_DLUGICH_NAGRANauto — uwaga lokalna dla plików dłuższych niż próg i automatycznie po braku pamięci GPU; zawsze albo nigdy
PROG_DLUGICH_MINpróg dla trybu auto, od 5 do 24 minut, domyślnie 15
ZAPISZ_TXT, ZAPISZ_TXT_Z_CZASEM, ZAPISZ_SRT, ZAPISZ_VTT, ZAPISZ_JSONformaty wyjściowe; domyślnie TXT i SRT. JSON zawiera tekst, segmenty i znaczniki czasu słów
MAKS_ZNAKOW_NA_NAPIS, MAKS_CZAS_NAPISU_Slimity jednego napisu SRT i VTT, domyślnie 84 znaki i 7 sekund; tekst zawija się do dwóch linii
ZAPIS_NA_DRIVE, FOLDER_DRIVE_WYJSCIEzapis wyników na Google Drive, domyślnie włączony, w folderze Parakeet_transkrypcje
POBIERZ_ZIPpobranie wyników jako ZIP przez przeglądarkę, domyślnie włączone

Próg 15 minut wynika z ograniczenia karty T4: pełna uwaga mieści się w jej pamięci przy krótszych nagraniach niż na A100.

2. Środowisko

Komórka sprawdza GPU i instaluje NeMo, jeśli nie jest jeszcze zainstalowane. Gdy instalacja podmieni pakiety wczytane już do pamięci, na przykład numpy, komórka zatrzyma się z prośbą o Runtime → Restart session. Po restarcie uruchom ponownie Run all — instalacja zostanie pominięta.

3. Model

Pierwsze uruchomienie pobiera z Hugging Face checkpoint o rozmiarze około 2,4 GB. Ponowne uruchomienie nic nie robi, jeśli model jest już w pamięci.

4. Wybierz nagrania

W formularzu tej komórki wybierz, skąd wziąć nagrania:

  • Z mojego komputera (domyślnie) — pojawi się przycisk Wybierz pliki; kilka plików zaznaczysz naraz z klawiszem Ctrl, na Macu Cmd.
  • Z folderu na moim Google Drive — w polu Nazwa folderu na Dysku wystarczy sama nazwa, np. Nagrania; wielkość liter nie ma znaczenia. Notatnik sam znajdzie folder. Przy literówce podpowie podobne nazwy, a gdy folderów o tej nazwie jest kilka, poprosi o pełną ścieżkę, np. Projekty/Nagrania.
  • Nagranie przykładowe (angielski) — krótki plik do sprawdzenia, czy wszystko działa.

Na końcu pojawia się lista nagrań z rozmiarem, długością i odtwarzaczem pierwszych 20 sekund, żeby sprawdzić, czy to właściwe pliki. Odtwarzacze dostaje pierwszych 10 nagrań. Pominięte pliki są wymienione z powodem, na przykład „to nie jest plik audio ani wideo” albo „plik nie zawiera dźwięku”.

Błędy, które da się naprawić samemu — literówka w nazwie folderu, brak wybranych plików — notatnik pokazuje jako ramkę z instrukcją, a nie jako techniczny komunikat Pythona.

Obsługiwane formaty audio: wav, flac, mp3, m4a, ogg, opus, aac, wma. Wideo: mp4, mkv, avi, mov, webm — z nich notatnik bierze tylko ścieżkę dźwiękową. Wszystkie nagrania konwertuje do 16 kHz mono.

Przy włączonym zapisie na Google Drive notatnik prosi o autoryzację już w tym kroku. Dzięki temu transkrypcja może potem działać bez nadzoru. Gdy połączenie się nie uda, na przykład przez blokadę administratora na koncie firmowym, notatnik przy nagraniach z komputera przełącza zapis wyników na pobranie archiwum ZIP. Przy źródle z Google Drive zatrzymuje się i proponuje wybór nagrań z komputera.

Duże pliki wideo lepiej umieścić w folderze na Google Drive. Wgrywanie przez przeglądarkę jest wolne i trzyma cały plik w pamięci RAM.

5. Transkrypcja

Jeden przebieg ze znacznikami czasu obejmuje wszystkie pliki:

  • pliki do 5 minut idą po kilka naraz, dłuższe pojedynczo,
  • pliki dłuższe niż próg z kroku 1 dostają uwagę lokalną; gdy zabraknie pamięci GPU, notatnik sam ponawia próbę w tym trybie,
  • przy błędzie w partii notatnik ponawia pliki pojedynczo; gdy zawiodą tylko znaczniki czasu, co zdarza się przy krótkich albo prawie cichych nagraniach, zapisuje sam tekst,
  • wyniki zapisuje po każdym pliku do /content/wyniki/<data_godzina>/ i od razu na Google Drive, do <FOLDER_DRIVE_WYJSCIE>/<data_godzina>/.

Na końcu wyświetla się tabela z długością nagrania, trybem uwagi, czasem przetwarzania, szybkością, liczbą segmentów i słów oraz statusem. Pod nią jest zwijany podgląd każdej transkrypcji.

Pliki wynikowe mają nazwy oryginałów, na przykład wywiad.srt i wywiad.txt. Przy powtórzonej nazwie notatnik dodaje numer: wywiad_2.srt.

6. Zapis wyników

Komórka uzupełnia brakujące pliki na Google Drive, na przykład gdy zapis na Drive włączono dopiero po transkrypcji. Przy włączonym POBIERZ_ZIP pobiera archiwum transkrypcje_<data_godzina>.zip.

Pliki w /content znikają razem z sesją Colab. Trwałą kopię daje tylko Google Drive albo pobrane archiwum.

7. Narzędzia (opcjonalnie)

Wybierz akcję z listy i uruchom komórkę:

  • pokaż zużycie pamięci GPU (domyślnie),
  • zwolnij pamięć GPU,
  • przywróć pełną uwagę bez ponownego wczytywania modelu,
  • usuń pliki robocze: wejściowe i konwersje,
  • usuń model z pamięci.

Domyślna akcja tylko pokazuje zużycie pamięci, więc Run all niczego w tym kroku nie zmienia.

Wskazówki

  • Kolejna partia plików w tej samej sesji: zmień ustawienia, jeśli trzeba, i uruchom ponownie kroki 4 → 5 → 6. Każda partia trafia do osobnego folderu.
  • Model wykrywa język automatycznie, ale NeMo nie zwraca tej informacji w wyniku. Język widać tylko po treści transkrypcji.
  • Streaming w czasie rzeczywistym: skrypt speech_to_text_streaming_infer_rnnt.py z repozytorium NeMo (pretrained_name="nvidia/parakeet-tdt-0.6b-v3").
  • Dostrajanie na własnych danych: skrypty speech_to_text_finetune.py w NeMo — osobny, większy workflow.

Linki