Que tal adicionar legenda naquele filme que você baixou rodando apenas uma linha de comando?

Usando reconhecimento automático de fala em áudio isso é possível! E muito mais!

Vosko é um toolkit para reconhecimento de fala que fornece um aplicativo de linha de comando para transcrição automática de áudio. Ele tem a vantagem de trabalhar offline e não necessita de uma chave de registro em API proprietária tal como Google, IBM, Bing etc.

Tem suporte a mais de 20 idiomas, como Inglês, Espanhol, Português, Francês entre outros e também fornece módulos para desenvolvimento, permitindo ao desenvolvedor criar seu próprio código caso queira. Contudo, este artigo se refere à ferramenta de linha de comando que vem junto com a instalação, o vosk-transcriber.

Devemos ter em conta sempre que a transcrição não será perfeita e que ajustes sempre serão necessários. Às vezes mais, às vezes menos. Se a transcrição que você deseja fizer parte de um trabalho importante, sempre revise o resultado.

Devemos também ter em mente que a transcrição de conteúdo que tenha mais de um idioma sendo falado (comum no ramo da informática), não será boa. Mais uma razão para uma revisão posterior!

A instalação é simples, porém há a necessidade da instalação do pacote Pipewire para o Jack, além de ter o Python versão 3 instalado - o que já é pré-requisito nos sistemas Linux atuais-- além do pip. O endereço para baixar o Jack para Pipewire é:

https://pkgs.org/download/libjack.so.0()(64bit)

E escolha ali a opção da sua distribuição de Linux. No Opensuse Tumblerbleed, por exemplo, você vai precisar desses dois pacotes:


Eles podem ser baixados usando o seu programa de gerenciamento de pacotes.

Então, em modo usuário, digite no Terminal:

pip3 install vosk

Se der erro, tente o comando:

pip3 install --break-system-packages vosk

E pronto! A mágica já está feita! Este comando vai instalar o vosk-transcriber, que já pode ser chamado pela linha de comando:

vosk-transcriber -h


Se desejar consultar o site do projeto, basta acessar o site https://alphacephei.com/vosk/ que possui um guia rápido das opções do comando:

• -i - arquivo de entrada, arquivo com o áudio a ser processado;
• -o - arquivo de saída em formato texto;
• -t - tipo de saída (podemos informar que queremos um formato de legenda);
• --list-languages - listar os idiomas disponíveis para transcrição;
• --list-models - listar os modelos treinados disponíveis. Um modelo com mais dados pode fornecer uma transcrição mais precisa;
• -n - seleciona o modelo;
• -l - linguagem do áudio.

Estes são os comandos mais básicos. Rodando com a opção -h como fizemos no exemplo acima fornece as opções completas.