RealtimeSTT
Voz a texto para el modo de grabación. Mientras grabas, Subtitld envía tu micrófono a este complemento: las palabras aparecen mientras hablas, y cada frase terminada rellena su subtítulo. Usa modelos faster-whisper en tu propio ordenador, descargados una vez desde Hugging Face.
Ajustes Complementos RealtimeSTT Instalar
Subtitld lo descarga, comprueba su SHA-256 y lo mantiene actualizado.
- Idiomas
- 30
- Descarga del complemento
- 281–483 MB
- RAM, como mínimo
- 2 GB
Qué hace
En el modo de grabación el texto aparece mientras hablas y se afina sobre la marcha. Subtitld lo muestra por su cuenta hasta que termina la frase.
Cada frase terminada lleva el momento en que se dijo, así que rellena el subtítulo cortado en ese instante.
Cuando haces una pausa, espera a la frase que aún estabas diciendo, hasta un minuto, y la añade antes de terminar.
De una toma a la siguiente, en el mismo idioma, el modelo se mantiene cargado, así que las siguientes tomas empiezan sin volver a cargarlo.
Para usarlo, elígelo como Motor de transcripción en la pestaña Audio, bajo Grabación.
En el panel de transcripción, usa Intervalo o Selección. Subtitld recorta esos a WAV, el único audio que lee este complemento. Con Todo recibe el audio propio del vídeo y se detiene con bad_audio. Cada ejecución da un único subtítulo para todo el tramo, así que sirve mejor para rellenar un subtítulo seleccionado. Una ejecución no se puede cancelar: siempre termina.
Modelos
Elige el modelo en Modelo: tiny, base, small (el predeterminado), medium o large-v3, y las versiones .en solo para inglés de todos excepto large-v3. Los modelos grandes son más precisos, más lentos y más pesados.
El modelo se descarga de Hugging Face la primera vez que se usa, y se guarda para la siguiente. Cargarlo tarda de unos segundos a un minuto en los grandes. En el modo de grabación se carga dos veces, una para el texto en vivo y otra para las frases terminadas, así que si tu ordenador se queda sin memoria, elige uno más pequeño.
Opciones
En Ajustes › Complementos › RealtimeSTT › Configurar.
smallEl modelo Whisper; consulta Modelos más arriba. Los más grandes son más precisos, más lentos y más pesados. Los nombres que terminan en .en solo entienden inglés.
autoDónde se ejecuta el modelo. En las compilaciones que instala Subtitld, auto siempre elige la CPU: consulta a PyTorch por una GPU CUDA, y esas compilaciones incluyen PyTorch sin CUDA. Elige cuda para pedir directamente una GPU NVIDIA; CI no lo prueba.
defaultLa precisión de los números con los que trabaja el modelo. default deja que elija el motor; int8 es lo más rápido en CPU; float16 va bien en GPU.
En el panel de transcripción, muestra el texto mientras una frase aún se decodifica; el texto final lo reemplaza. El modo de grabación siempre muestra texto en vivo, diga lo que diga esto.
El complemento las lee al iniciarse, así que un cambio se aplica la próxima vez que arranque, por ejemplo tras reiniciar Subtitld.
Idiomas
Las etiquetas regionales se envían a Whisper como su idioma principal: pt-br se envía como pt.
enptpt-bresfrdeitnlrupluktrarzhjakohiidsvfidanocselherohucathvi
Plataformas
| Sistema | Descarga | Probado |
|---|---|---|
| Linux x86-64 | 482.7 MB | En CI, sin modelo |
| macOS (Apple silicon) | 377.0 MB | En CI, sin modelo |
| Windows x86-64 | 280.6 MB | En CI, sin modelo |
Antes de cada versión, CI ejecuta las pruebas del complemento en cada sistema e inicia el complemento compilado para comprobar que su detección de voz carga. No se ejecuta ninguna transcripción en CI, ya que necesita un modelo.
Solución de problemas
bad_audioEl audio no es WAV. En el panel de transcripción, usa Intervalo o Selección en lugar de Todo.internalFalló la transcripción; el mensaje indica por qué. En el primer uso puede que el modelo no se haya descargado: revisa tu conexión e inténtalo de nuevo. Si pusiste Device encuda, vuelve aauto.not_installedEl motor de voz dentro del complemento no cargó. Vuelve a instalar el complemento.
Licencia
Apto para uso comercial: el complemento, RealtimeSTT, faster-whisper y los pesos de Whisper son todos MIT.
Versiones
- 0.1.2