nqh-video-transcribelisted

# nqh-video-transcribe Bước 0 của mọi pipeline trong repo này. Các skill khác không đọc pixel — chúng đọc file JSON này. ## Chạy ```bash python3 skills/nqh-video-transcribe/scripts/transcribe.py INPUT.mp4 \ --audience auto \ -o work/INPUT.transcript.json ``` `--audience`: - `vi` — ép Whisper nhận tiếng Việt, nạp initial_prompt tiếng Việt (giảm lỗi tên riêng, thuật ngữ) - `en` — ép tiếng Anh - `auto` (mặc định) — để Whisper tự detect, sau đó phân loại lại bằng mật độ dấu thanh trong kết quả ## Đầu ra ```json { "audience": "vi", "duration": 61.4, "fps": 30.0, "width": 1920, "height": 1080, "words": [{"start": 0.12, "end": 0.41, "word": "chào", "prob": 0.98}], "segments": [{"start": 0.1, "end": 4.2, "text": "..."}] } ``` ## Lưu ý thật - Tiếng Việt: dùng `large-v3`. Model nhỏ hơn (`base`, `small`) sai timestamp từ khá nhiều với tiếng Việt vì âm tiết ngắn — caption sẽ lệch thấy rõ. Đây là chỗ KHÔNG nên tiết kiệm. - Apple Silicon: chạy CPU với `compute_type=int8` vẫn nhanh chấp nhận được (~1/3 realtime với large-v3). Không cần CUDA. - Nếu video có nhạc nền to, tách vocal trước sẽ tăng độ chính xác đáng kể. ## Yêu cầu `ffmpeg`, `ffprobe`, `pip install faster-whisper` ## Khi ASR không trả timestamp từng từ Một số đường ASR chỉ trả về CHỮ, không có timestamp: sherpa-onnx Whisper (ONNX, tải model từ GitHub thay vì Hugging Face), phần lớn API cloud gói rẻ, và mọi transcript do người gõ tay. Dùng `lib/align.py` để dựng lại timestamp từ chính file âm thanh: ```