SuperAPI AI 工具集

parakeet

通用与其它

查看项目

更新于 10-16 07:14

技能介绍

用途:本地语音转文字。使用 NVIDIA NeMo 工具包的 Parakeet TDT 模型,默认 nvidia/parakeet-tdt-0.6b-v3 为 600M 参数多语言 ASR,输出自动标点与大小写,可生成词、句、字符级时间戳。

主要能力:支持 25 种欧洲语言并自动检测;可输出 text、json、srt、vtt;支持词级时间戳;超过 24 分钟音频可用 --long-form 处理至约 3 小时;--streaming 边转写边输出;支持批量处理(通配符、目录、--skip-existing 与自动 ETA);可传入 URL 或 YouTube 链接,经 yt-dlp 自动下载。模型选择包括 v3(多语言)、v2(仅英语)、1.1b(更大英语模型)。VRAM 约 2GB(600M 模型),平台支持 Linux 与 WSL2,macOS 支持有限。

使用方式:先运行 ./setup.sh 安装,./setup.sh --check 校验,./setup.sh --update 升级 NeMo。基本命令:./scripts/transcribe audio.wav;生成字幕:./scripts/transcribe audio.wav --format srt -o subs.srt;JSON:./scripts/transcribe audio.wav --timestamps --format json -o out.json;长音频:./scripts/transcribe lecture.wav --long-form;批量:./scripts/transcribe *.wav -o ./transcripts/。需要 Python 3.10+、NVIDIA GPU 与 CUDA(CPU 可用但较慢)、ffmpeg(非 wav/flac 格式转换)、可选 yt-dlp。

适用场景:需要高准确率本地转写、自动标点、欧洲语言、词级时间戳、长音频、字幕生成或批量转写的场景。

限制:不支持说话人分离(diarization)、翻译、章节检测与搜索;语言仅覆盖 25 种欧洲语言,非欧洲语言不支持;需要本地算力,云端环境不适用;macOS 支持有限;无 GPU 时速度较慢。