NVIDIA Parakeet TDT 語音轉文字系統

這是一個使用 nvidia/parakeet-tdt-0.6b-v2 模型的 Python 專案，專門用於將語音轉換成文字 (Speech-to-Text)。

功能特點

• 支援影片和音訊檔案的語音轉寫
• 自動檢測並使用 GPU 加速（如果可用）
• 智慧記憶體管理，支援長音訊分段處理
• 支援多種輸入格式（透過 FFmpeg 轉換）

注意：此專案僅輸出純文字格式。如需時間軸字幕（SRT）格式，建議使用 Whisper 模型。

系統需求

硬體需求

元件	最低需求	建議配置
CPU	任何現代多核心處理器	-
記憶體	8GB RAM	16GB+ RAM
GPU	4GB VRAM NVIDIA GPU	6GB+ VRAM NVIDIA GPU

注意：

• 使用 4GB VRAM GPU 時會自動啟用分段處理功能
• 無 GPU 時可使用 CPU 運行，但處理速度較慢

軟體需求

軟體	版本要求
作業系統	Windows 10/11, macOS, 或 Linux
Python	3.10（建議）或 3.9-3.11
CUDA	11.7+ （僅在使用 GPU 時必要）

安裝與設定

1. 安裝 Python

1. 前往 Python 官網 下載 Python 3.10
2. 安裝時請勾選「Add Python to PATH」選項
3. 完成安裝後，開啟終端機輸入 python --version 確認版本

2. 安裝 FFmpeg

Windows 使用者

• 使用 Chocolatey（推薦）：

  choco install ffmpeg

• 或手動安裝：
  1. 從 FFmpeg 官方建置 下載
  2. 解壓縮到 C:\Program Files\ffmpeg
  3. 將 C:\Program Files\ffmpeg\bin 加入系統環境變數 PATH

macOS 使用者

brew install ffmpeg

Linux 使用者

sudo apt update && sudo apt install ffmpeg

3. 安裝 CUDA（僅 GPU 使用者需要）

1. 前往 NVIDIA CUDA 下載頁面
2. 選擇適合您作業系統的 CUDA 11.7 或更新版本
3. 按照安裝嚮導完成安裝
4. 重啟電腦

4. 安裝 Python 套件

pip install moviepy torch torchaudio nemo_toolkit[asr]

環境驗證

執行以下命令來驗證環境設置：

# 檢查 Python 版本
python --version  # 應顯示 3.10.x（或 3.9.x-3.11.x）

# 檢查 FFmpeg
ffmpeg -version  # 應顯示 FFmpeg 版本資訊

# 檢查 CUDA（若使用 GPU）
nvidia-smi  # 應顯示 GPU 資訊和 CUDA 版本

# 檢查 Python 套件
pip list | findstr "moviepy torch torchaudio nemo_toolkit"

# 檢查 GPU 支援
python -c "import torch; print(f'GPU 可用: {torch.cuda.is_available()}')"

# 檢查 NeMo
python -c "from nemo.collections.asr.models import EncDecCTCModelBPE; print('NeMo ASR 已安裝')"

使用方法

1. Clone 專案：

git clone https://github.com/s30122/yeh-asr-use-nvidia-parakeet-tdt-0.6b-v2.git
cd yeh-asr-use-nvidia-parakeet-tdt-0.6b-v2

2. 執行程式：

python main.py

3. 選擇檔案類型：

   • 1：音訊檔案（.wav 或 .flac）
   • 2：影片檔案（自動提取音訊）

4. 輸入檔案路徑並等待處理

轉錄結果會自動儲存為「原檔名_轉寫結果.txt」

注意事項

• 處理長音訊時，程式會自動分段處理以避免顯存不足
• 若要處理大型檔案，建議使用具有更多 VRAM 的 GPU