Оцифровать голов с mp3 в текст.

Помнил про CMU Sphinx, но он похоже заброшен, но там же ссылка на (disclaimer: не использовал) https://alphacephei.com/vosk/.

мне кажется можно закостылить. надиктовав это mp3 в голосовое сообщение в ВК, а потом попросить ВК распознать текст с голосового сообщения. в мобильном приложении в ВК есть функция распознавания текста в голосовом сообщении

ну там более 2000 часов так что костылить с вк думаю не выйдет. если есть какие то api которые можно в принципе я готов и разрезать файлы по длительности в принципе, скрипт напишу какой нибудь. то есть если к примеру даже с лимитам к api я за год смогу это обработать - будет даже очень ок.

2000 часов

SpeechKit от Яндекс, тысяч в 80 выйдет.

тысяч в 80 рублей? вижу что сам SpeechKit имеет только лимиты, но фишка в том что я должен класть данные в их хранилице, а оно уже платное, верно?

Если разбить файлы к примеру по 500 KiB то мое хранилище будет не больше мегабайта, тогда надо будет обработать 260 000 объёктов, сколько запросов на каждый объёкт чтобы его загрузить и удалить? два?, сколько я за них отдам?

трав мой к ним не учитывают, и между обектным хранилищем и SpeechKit тоже.

Поскольку SpeechKit требует времени обработки для, каждый объект можно обрабатывать неспешно с задержками.

но фишка в том что я должен класть данные в их хранилице, а оно уже платное, верно?

HTTP API есть. По-моему, есть условие, что дополнительно тарифицируется исходящий трафик от Яндекса.

HTTP API есть. ну вот там на сколько я понял, как раз и надо указывать ссылку на файл в объектном хранилице яндекса.

трафик будет только от меня к ним и между их сервисами.

Так там несколько методов, потоковое по-моему не использует бакет.

Да, и чего гадать, когда можно же за два месяца всё протестить за 3000 промо денег, и качество и расходы.

Ютуб вроде бесплатно генерит русские субтитры для видео.

Vosk можно использовать. Сервер поставить через докер или просто питоновкий пакет через pip.

Модель большая здесь:

https://alphacephei.com/vosk/models/vosk-model-ru-0.10.zip

Для декодирования mp3 ffmpeg.

Пример кода здесь:

https://github.com/alphacep/vosk-server/blob/master/websocket/test_ffmpeg.py

2000 часов обработаются за неделю, если в 10 потоков пускать на современном сервере с 8 ядрами.

Какие-то очень сложные советы.

https://github.com/agermanidis/autosub

Принимает на вход что угодно, что поддерживается ффмпегом (я вообще WAV скармливал). Можно указывать разные языки, можно даже автоматически переводить распознанное с языка на язык.

На выход даёт SRT или JSON. В первом случае можно регэкспами убрать временные отметки, если они не нужны. Я это делал саблаймом, но можно и sed какой-нибудь заюзать.

Тыкали давеча этот воск; билд демки на фоне сфинкса просто огромный (больше 150 МБ, кажется), а всё так же ни хрена не распознаёт.

Только на гугле надо регистрироваться и ключик получать, а также платить.

Обычно этим фрилансеры занимаются.

Только для перевода. Для speech-to-text — нет.

Kaldi asr https://github.com/kaldi-asr/kaldi

Русскую модель можно здесь скачать https://alphacephei.com/kaldi/kaldi-ru-0.9.tar.gz

Кстати, плюсую.