Jak zrobić transkrypcję z pliku audio?
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-v3jest 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
- Otwórz notatnik i wybierz Runtime → Change runtime type → T4 GPU, potem Save.
- W kroku 4. Wybierz nagrania wskaż, skąd wziąć nagrania. Formaty wyników i miejsce zapisu zmienisz w kroku 1. Ustawienia; domyślne ustawienia wystarczą na start.
- Uruchom wszystko: Runtime → Run all (
Ctrl+F9). Przy nagraniach z komputera notatnik zatrzyma się na przycisku Wybierz pliki. - 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.
| Opcja | Znaczenie |
|---|---|
TRYB_DLUGICH_NAGRAN | auto — uwaga lokalna dla plików dłuższych niż próg i automatycznie po braku pamięci GPU; zawsze albo nigdy |
PROG_DLUGICH_MIN | próg dla trybu auto, od 5 do 24 minut, domyślnie 15 |
ZAPISZ_TXT, ZAPISZ_TXT_Z_CZASEM, ZAPISZ_SRT, ZAPISZ_VTT, ZAPISZ_JSON | formaty wyjściowe; domyślnie TXT i SRT. JSON zawiera tekst, segmenty i znaczniki czasu słów |
MAKS_ZNAKOW_NA_NAPIS, MAKS_CZAS_NAPISU_S | limity jednego napisu SRT i VTT, domyślnie 84 znaki i 7 sekund; tekst zawija się do dwóch linii |
ZAPIS_NA_DRIVE, FOLDER_DRIVE_WYJSCIE | zapis wyników na Google Drive, domyślnie włączony, w folderze Parakeet_transkrypcje |
POBIERZ_ZIP | pobranie 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.pyz repozytorium NeMo (pretrained_name="nvidia/parakeet-tdt-0.6b-v3"). - Dostrajanie na własnych danych: skrypty
speech_to_text_finetune.pyw NeMo — osobny, większy workflow.
Linki
- Płatna alternatywa w panelu przeglądarki, z rozpoznawaniem mówców: Jak zrobić transkrypcję w ElevenLabs Scribe v2
- Notatnik i README: https://github.com/hawalej/parakeet_colab_workflow
- Model card: https://huggingface.co/nvidia/parakeet-tdt-0.6b-v3
- Raport techniczny: https://arxiv.org/abs/2509.14128
- Repozytorium NeMo: https://github.com/NVIDIA/NeMo