Transkriber

Transkriber norske video- og lydfiler til tekst med automatisk taler-identifikasjon.

Hva du får ut

• VTT-fil med undertekster og taler-markering (kan importeres i Dovetail, YouTube, etc.)
• Tekstfil gruppert etter hvem som snakker

Eksempel

Input: inn/eksempel.mp4 (17 sekunder video)

Output ut/eksempel/eksempel.diarized.vtt:

WEBVTT

1
00:00:00.000 --> 00:00:03.000
<v SPEAKER_00>Hva jeg ville ha sagt til en som gir blod?

2
00:00:05.000 --> 00:00:10.000
<v SPEAKER_00>Jeg ville ha sagt at det er livsnødvendig for at jeg skal kunne leve et normalt liv.

3
00:00:11.000 --> 00:00:16.000
<v SPEAKER_00>Ja, så tusen, tusen takk for at du gir blod.

Output ut/eksempel/eksempel.diarized.txt:

SPEAKER_00:
Hva jeg ville ha sagt til en som gir blod?

Jeg ville ha sagt at det er livsnødvendig for at jeg skal kunne leve et normalt liv.

Ja, så tusen, tusen takk for at du gir blod.

Oppsett

Forutsetninger

• macOS (testet) eller Linux
• Python 3.9+
• ffmpeg
• Ca. 10 GB ledig diskplass for modeller

1. Installer avhengigheter

# macOS
brew install cmake ffmpeg python@3.11

# Eller Linux (Ubuntu/Debian)
sudo apt install cmake ffmpeg python3-pip python3-venv

2. Klon og sett opp prosjektet

git clone git@github.com:fredrik-lindseth/transkriber.git
cd transkriber

# Lag virtuelt miljø
python3 -m venv venv
source venv/bin/activate

# Installer Python-pakker
pip install --upgrade pip
pip install torch openai-whisper pyannote.audio

3. Sett opp HuggingFace-tilgang (for taler-identifikasjon)

Pyannote-modellene krever at du godtar bruksvilkår:

1. Lag konto på huggingface.co

2. Gå til Token-innstillinger og lag en token med "Read" tilgang

3. Godta vilkårene for disse modellene (klikk "Agree and access repository"):

   • pyannote/speaker-diarization-3.1
   • pyannote/segmentation-3.0

4. Sett token som miljøvariabel:

   cp .env.example .env
   # Rediger .env og sett inn din token

   Eller eksporter direkte:

   export HF_TOKEN="hf_din_token_her"

Bruk

Transkribere med taler-identifikasjon

source venv/bin/activate
python3 transcribe-diarize.py ./din-video.mp4

Output havner i ./ut/din-video/:

• din-video.diarized.vtt - Undertekster med taler-markering
• din-video.diarized.txt - Ren tekst gruppert etter taler
• din-video.diarized.log - Loggfil

Valg

# Angi output-mappe
python3 transcribe-diarize.py video.mp4 -o ./min-mappe

# Bruk mindre modell (raskere, men mindre nøyaktig)
python3 transcribe-diarize.py video.mp4 -m medium

# Transkriber engelsk lyd
python3 transcribe-diarize.py video.mp4 -l en

Konverter VTT til Dovetail-format

Hvis du har en VTT-fil uten taler-markering og vil legge til taler-bytte basert på pauser:

python3 vtt-to-dovetail.py ./ut/video/video.vtt

# Juster pause-terskel (standard 2 sekunder)
python3 vtt-to-dovetail.py ./ut/video/video.vtt 3.0

Rask modus (uten taler-identifikasjon)

For raskere transkribering uten å identifisere hvem som snakker, bruk whisper.cpp:

Oppsett (kun første gang)

# Klon whisper.cpp
git clone https://github.com/ggml-org/whisper.cpp.git

# Kjør setup-scriptet
./setup-nb-whisper.sh

Transkribere

# Legg filer i inn-mappen
cp din-video.mp4 ./inn/

# Kjør transkribering
./transcribe.sh

Output havner i ./ut/din-video/din-video.vtt

Modeller

Prosjektet bruker:

• nb-whisper-large - Norsk Whisper-modell fra Nasjonalbiblioteket/NB-AiLab
• pyannote-audio - State-of-the-art taler-identifikasjon
• OpenAI Whisper - Tale-til-tekst modell

Tidsbruk

Omtrentlig tid per minutt med lyd (på M1 Mac):

Modell	Tid	Nøyaktighet
large	~2-3 min	Best
medium	~1 min	God
small	~30 sek	OK

Taler-identifikasjon legger til ca. 30 sek per minutt lyd.

Feilsøking

"HuggingFace token required"

Sett HF_TOKEN miljøvariabel, se oppsett steg 3.

"Access to model denied"

Du må godta vilkårene for pyannote-modellene på HuggingFace. Se lenker i oppsett steg 3.

"No module named 'torch'"

Aktiver virtuelt miljø: source venv/bin/activate

Transkribering stopper/henger

Prøv en mindre modell: -m medium eller -m small