yspeech

CLI-утилита для распознавания длинных аудиозаписей (до 8--10 часов) через Yandex SpeechKit API v3 с диаризацией (разделением по спикерам).

Требования

• GHC >= 9.0, cabal
• ffmpeg, ffprobe (в $PATH)
• Аккаунт Yandex Cloud:
  • сервисный аккаунт с ролью ai.speechkit-stt.user
  • IAM-токен или API-ключ

Сборка

cabal build

Использование

yspeech (-i|--input FILE) [-o|--output FILE] [--folder-id ID]
        [--iam-token TOKEN] [--api-key KEY] [--language LANG]
        [--model MODEL] [--chunk-hours HOURS] [--timestamps] [-v|--verbose]

Опции

Опция	Описание	По умолчанию
-i, --input FILE	Входной MP3-файл	(обязательно)
-o, --output FILE	Файл для записи результата	stdout
--folder-id ID	Folder ID в Yandex Cloud	env YANDEX_FOLDER_ID
--iam-token TOKEN	IAM-токен для аутентификации	env YANDEX_IAM_TOKEN
--api-key KEY	API-ключ (альтернатива IAM)	env YANDEX_API_KEY
--language LANG	Язык распознавания	ru-RU
--model MODEL	Модель распознавания	general
--chunk-hours HOURS	Макс. длительность чанка (часы)	3.5
--timestamps	Добавлять таймкоды [HH:MM:SS]	выключено
-v, --verbose	Подробный вывод	выключено

Каждую опцию с пометкой env ... можно задать через переменную окружения вместо флага.

Примеры

Базовое использование с API-ключом:

yspeech -i lecture.mp3 \
  --folder-id b1gabcdef123 \
  --api-key AQVNabcdef... \
  -o lecture.txt

С переменными окружения и таймкодами:

export YANDEX_FOLDER_ID=b1gabcdef123
export YANDEX_API_KEY=AQVNabcdef...

yspeech -i interview.mp3 -o result.txt --timestamps

Формат вывода

Спикер 1: Здравствуйте, я хотел бы обсудить...
Спикер 2: Да, конечно, давайте начнём с...
Спикер 1: Первый вопрос касается...

С флагом --timestamps:

[00:00:15] Спикер 1: Здравствуйте, я хотел бы обсудить...
[00:00:22] Спикер 2: Да, конечно, давайте начнём с...
[00:01:03] Спикер 1: Первый вопрос касается...

Как это работает

1. Входной MP3 разрезается на чанки по ~3.5 часа (лимит SpeechKit -- 4 часа)
2. Каждый чанк отправляется напрямую в SpeechKit API (base64 в теле запроса)
3. Для каждого чанка запускается асинхронное распознавание с включённой диаризацией
4. Утилита опрашивает API до завершения распознавания (~10 сек на 1 мин аудио)
5. Результаты склеиваются с коррекцией таймкодов и выводятся с метками спикеров

Ограничения

• Диаризация SpeechKit поддерживает не более 2 спикеров
• На вход принимается любой медиафайл, который умеет читать ffmpeg (аудио, видео). Стерео-аудио и видео автоматически конвертируются в mono MP3; при нарезке на чанки файл также перекодируется в mono MP3. Если файл уже моно и укладывается в один чанк, он передаётся в API без перекодирования