Si vous souhaitez déporter la transcription sur le serveur d'encodage, les commandes suivantes sont à effectuer sur le serveur d'encodage (voir la page Déporter l'encodage sur un ou plusieurs serveurs en Pod V3)
Utilisation de l'auto-transcription dans Pod
Pour découper le fichier audio de pod et faire sa transcription, nous avons besoin de Sox, il faut donc installer les deux librairies suivantes :
(django_pod) pod@:/$ sudo apt-get install sox (django_pod) pod@:/$ sudo apt-get install libsox-fmt-mp3
CentOS
Si vous n'avez pas de chance et utilisez encore CentOS 6, la doc suivante peut aider : https://www.linuxhelp.com/how-to-install-sox-on-centos-6
Il faut également installer le module python ffmpeg-normalize
(django_pod) pod@:/path/to/project/django_projects/pod$ pip install ffmpeg-normalize
L’ensemble des modèles peuvent être stockés dans /path/to/project/django_projects/transcription.
Il convient de faire un sous-dossier par langue (I.E: fr, en etc.), et un sous-dossier par type de modèle (I.E: stt, vosk, etc.)
Par exemple, pour un modèle vosk français:
/path/to/project/django_projects/transcription/fr/vosk/vosk-model-fr-0.6-linto-2.2.0/
À présent, vous pouvez choisir d’installer un des 2 modèles STT ou Vosk. Il est toutefois conseillé d'utiliser Vosk.
STT (Coqui Ai)
Il faut installer l'application dans l'environnement virtuel de Pod (stt==1.4.0)
installation de STT
(django_pod3)pod@podv3:/usr/local/django_projects/podv3$ pip3 install stt
Les fichiers peuvent être téléchargés sur le site du projet : https://github.com/coqui-ai/STT-models
pod@podv3:/usr/local/django_projects/transcription/model_fr/stt$ ll -rw-r--r-- 1 pod pod 248 nov. 14 21:14 alphabet.txt -rw-r--r-- 1 pod pod 189372825 nov. 15 09:12 model.pbmm -rw-r--r-- 1 pod pod 1007576678 nov. 15 08:42 fr-cvfr-2-prune-kenlm.scorer -rw-r--r-- 1 pod pod 47500492 nov. 15 08:54 model.tflite
Dans le fichier custom/settings-local.py, il suffit d’ajouter les paramètres suivant:
Pour Pod à partir de la version 3 avec fr et en :
# Transcription
USE_TRANSCRIPTION = True
## Transcription use
# * STT
# * VOSK
TRANSCRIPTION_TYPE = "STT"
# Paramétrage des modèles
# * Pour télécharger les Modèles STT : https://coqui.ai/models
TRANSCRIPTION_MODEL_PARAM = {
# les modèles Stt
'STT': {
'fr': {
'model': "/usr/local/django_projects/transcription/model_fr/stt/model.pbmm",
'scorer': "/usr/local/django_projects/transcription/model_fr/stt/fr-cvfr-2-prune-kenlm.scorer",
}
}
}
Pour ajouter un modèle d'un autre langage, ajouter une entrée comme l'exemple ci-dessous, fait pour le langage Anglais "en" :
# Paramétrage des modèles
# * Pour télécharger les Modèles STT : https://coqui.ai/models
TRANSCRIPTION_MODEL_PARAM = {
# les modèles Stt
'STT': {
'fr': {
'model': "/usr/local/django_projects/transcription/model_fr/stt/model.pbmm",
'scorer': "/usr/local/django_projects/transcription/model_fr/stt/fr-cvfr-2-prune-kenlm.scorer",
},
'en': {
'model': "/usr/local/django_projects/transcription/model_en/stt/model.pbmm",
'scorer': "/usr/local/django_projects/transcription/model_en/stt/kenlm.scorer",
}
}
}
Pour tester la transcription en ligne de commande
(django_pod)$> python manage.py shell Python 3.7.3 [GCC 8.3.0] on linux Type "help", "copyright", "credits" or "license" for more information. (InteractiveConsole) >>> video_id = 1234 >>> from pod.video import transcript >>> transcript.main_threaded_transcript(video_id)
Vosk
l faut installer l'application dans l'environnement virtuel de Pod (vosk==0.3.45)
installation de VOSK
(django_pod3)pod@podv3:/usr/local/django_projects/podv3$ pip3 install vosk
Les fichiers pour les modèles peuvent être téléchargés sur cette page : https://alphacephei.com/vosk/models.
Par exemple pour le modèle français :
(django_pod3) pod@:/path/to/project/django_projects/transcription/fr/vosk/$ wget https://alphacephei.com/vosk/models/vosk-model-fr-0.6-linto-2.2.0.zip
Après avoir téléchargé le modèle, il faut le décompresser. Pour cela vous pouvez utiliser la librairie unzip :
(django_pod3) pod@:/path/to/project/django_projects/transcription/fr/vosk/$ sudo apt-get install unzip (django_pod3) pod@:/path/to/project/django_projects/transcription/fr/vosk/$ unzip vosk-model-fr-0.6-linto-2.2.0.zip
Dans le fichier custom/settings-local.py, il suffit d’ajouter les paramètres suivants (a préciser egalement sur les frontaux pour qu'il puisse lister les langue/model de dispo depuis la 3.3.1) :
Pour Pod avec Vosk en fr :
# Transcription
USE_TRANSCRIPTION = True
## Transcription use
# * STT
# * VOSK
TRANSCRIPTION_TYPE = "VOSK"
# Paramétrage des modèles
# * Pour télécharger les Modèles Vosk : https://alphacephei.com/vosk/models
TRANSCRIPTION_MODEL_PARAM = {
# les modèles Vosk
'VOSK':{
'fr': {
'model': "/path/of/project/django_projects/transcription/fr/vosk/vosk-model-fr-0.6-linto-2.2.0",
}
}
}
Pour ajouter un modèle d'un autre langage, ajouter une entrée comme l’exemple ci-dessous, fait pour le langage Anglais "en" :
# Paramétrage des modèles
# * Pour télécharger les Modèles Vosk : https://alphacephei.com/vosk/models
TRANSCRIPTION_MODEL_PARAM = {
# le modèle vosk
'VOSK':{
'fr': {
'model': "/path/of/project/django_projects/transcription/fr/vosk/vosk-model-fr-0.6-linto-2.2.0",
},
'en': {
'model': "/path/of/project/django_projects/transcription/en/vosk/vosk-model-en-us-0.22",
}
}
}
Maintenant lors de l’upload d’une vidéo avec l’auto-transcription activée le modèle Vosk sera utilisé pour effectuer la transcription.
[OPTIONNEL] Activer l’enrichissement du modèle vosk dans Pod
En installant les modèles de compilation vous pourrez contribuer à l'enrichissement des modèles.
Les modèles utilisés pour l’enrichissement du modèle peuvent être stockés dans /path/to/project/django_projects/compile-model
Il faut télécharger le modèle de compilation correspondant sur ce lien : https://alphacephei.com/vosk/lm#update-process.
Par exemple pour le modèle français :
(django_pod3) pod@:/path/to/project/django_projects/compile-model/fr$ wget https://alphacephei.com/vosk/models/vosk-model-fr-0.6-linto-2.2.0-compile.zip
Il faut après avoir téléchargé le modèle de compilation, le décompresser. Pour cela vous pouvez utiliser la librairie unzip :
(django_pod3) pod@:/path/to/project/django_projects/compile-model/fr$ sudo apt-get install unzip (django_pod3) pod@:/path/to/project/django_projects/compile-model/fr$ unzip vosk-model-fr-0.6-linto-2.2.0-compile.zip
Il faut seulement que la structure du dossier compile-model ressemble à cela :
(django_pod3) pod@:/path/to/project/django_projects/compile-model
compile-model |--fr | |--conf | | |... | | | |--data | | |... | | | |--db | | |... | | | |--exp | | |... | | | |--local | | |... | | | |--mfcc | | |... | | | |--steps | | |... | | | |--utils | | |... | | | |--cmd.sh | |--compile-grapg.sh | |--decode.sh | |--dict.py | |--path.sh | |--en
Maintenant il faut installer docker sur votre machine. (voir https://docs.docker.com/engine/install/debian/ si besoin)
Après que docker soit installé, créer un fichier entrypoint.sh et DockerFile dans un même dossier.
Copier le script suivant dans le fichier entrypoint.sh;
entrypoint.sh
#!/bin/bash modelPath="$KALDI_ROOT/compile-model/$1" cat "$KALDI_ROOT/tools/env.sh" > "$modelPath/path.sh" cd $modelPath /bin/bash -c "./compile-graph.sh" /bin/bash -c "utils/build_const_arpa_lm.sh lm.gz data/lang_test data/lang_test_rescore"
Puis copier le code ci-dessous, fait sur mesure afin d’enrichir un modèle dans le Fichier DockerFile, cela créera un container avec tout ce qu’il faut installer :
DockerFile
## Build the DockerFile
# docker build --tag kaldi -f DockerFile .
##
## Example of manual execution of the Docker file
# sudo docker run -v ${PWD}/compile-model:/kaldi/compile-model -it kaldi
##
FROM debian:10
RUN apt-get update && apt-get install -y ca-certificates \
&& apt-get install -y \
python3-pip \
git \
&& apt-get install -y zlib1g-dev automake autoconf unzip wget sox gfortran libtool subversion python2.7 nano libfst-tools \
&& apt-get clean
RUN python3 --version
ENV KALDI_ROOT="/kaldi"
RUN git clone https://github.com/kaldi-asr/kaldi.git $KALDI_ROOT
WORKDIR $KALDI_ROOT"/tools"
RUN bash $KALDI_ROOT"/tools/extras/check_dependencies.sh"
RUN touch $KALDI_ROOT"/tools/python/.use_default_python"
RUN bash $KALDI_ROOT"/tools/extras/install_mkl.sh"
RUN apt-get install gfortran sox
RUN make -j $(nproc)
RUN pip3 install phonetisaurus
RUN bash $KALDI_ROOT"/tools/extras/install_opengrm.sh"
RUN make
RUN bash $KALDI_ROOT"/tools/extras/install_irstlm.sh"
RUN apt-get install gawk
RUN bash $KALDI_ROOT"/tools/extras/install_srilm.sh" "unkown" "unkown" "unkown"
RUN cd $KALDI_ROOT"/src" && ./configure --shared
RUN cd $KALDI_ROOT"/src" && make depend -j $(nproc)
RUN cd $KALDI_ROOT"/src" && make -j $(nproc)
RUN cd $KALDI_ROOT"/src/fstbin" && make
RUN echo "export PATH="$KALDI_ROOT"/src/fstbin:\$PATH" >> $KALDI_ROOT"/tools/env.sh"
RUN cd $KALDI_ROOT"/src/lmbin" && make
RUN echo "export PATH="$KALDI_ROOT"/src/lmbin:\$PATH" >> $KALDI_ROOT"/tools/env.sh"
RUN cd $KALDI_ROOT"/src/tree" && make
RUN echo "export PATH="$KALDI_ROOT"/src/tree:\$PATH" >> $KALDI_ROOT"/tools/env.sh"
RUN cd $KALDI_ROOT"/src/bin" && make
RUN echo "export PATH="$KALDI_ROOT"/src/bin:\$PATH" >> $KALDI_ROOT"/tools/env.sh"
COPY entrypoint.sh /entrypoint.sh
WORKDIR $KALDI_ROOT
ENTRYPOINT ["/entrypoint.sh"]
Après avoir copié et créé les deux fichiers Dockerfile et entrypoint.sh il suffit de lancer la commande ci-dessous en étant dans la même dossier que les fichiers précédemment mentionnés.
docker build --tag kaldi -f DockerFile .
Pour finir, il faut activer l’enrichissement du modèle vosk dans une application pod, pour cela il suffit d’ajouter dans le fichier custom/settings-local.py les paramètres suivants :
ACTIVE_ENRICH = True MODEL_COMPILE_DIR = "/path/to/project/django_projects/compile-model"
Whisper (v3.5.0)
Sur les encodeurs :
pip install openai-whisper
ou si vous souhaitez bénéficier des derniers commits
pip install git+https://github.com/openai/whisper.git
Exemple de configuration du custom/settings_local :
TRANSCRIPTION_TYPE = "WHISPER"
TRANSCRIPTION_MODEL_PARAM = {
'WHISPER':{
'fr': {
'model': "small",
'download_root': "/pod-transcription/transcription/whisper/",
},
'en': {
'model': "small",
'download_root': "/pod-transcription/transcription/whisper/",
}
}
}
Voir détails ici pour le choix du modèle
Le small n'est pas plus gourmand que vosk et est déjà performant