Пакетная транскрибация Whisper: папки и повторный запуск
См. также — глоссарий
Пакет в этом примере — папка, файлы которой одна загруженная модель обрабатывает последовательно. Это не tensor batching на GPU, распределённая очередь или параллельная загрузка. Такой первый процесс проще повторить, а проблемный файл — найти.
Подготовьте файлы и запустите
Поместите в input/ только нужные записи. Каталог просматривается без рекурсии, по порядку имён и только для поддерживаемых расширений. Подкаталоги и симлинки среди элементов каталога пропускаются. Пробелы в именах поддерживаются. Кеш и результаты храните отдельно.
python transcribe.py --input input --output output --cache models \
--model small --device cpu --language auto --offline
Команда предполагает, что закреплённая модель small уже загружена. Для каждого файла создаётся каталог с полным именем: interview.mp3/ и interview.wav/ не конфликтуют из-за одинаковой основы имени.
Поведение при повторном запуске
| Состояние результата | Действие |
|---|---|
| Совпадают байты исходника, настройки, версии пакетов и суммы результатов | Пропуск; если завершено всё, модель даже не загружается |
| Изменились исходник, модель, устройство или настройки | Ошибка; нужен новый выходной каталог |
| Сгенерированный файл отредактирован или повреждён | Ошибка; сохраните правки и выберите новый каталог |
Есть INCOMPLETE |
Ошибка; сначала разберите причину сбоя |
| Каталога результата нет | Обработка файла |
После успешной обработки записываются четыре формата, затем complete.json, а INCOMPLETE удаляется последним. Исключение останавливает пакет; уже завершённые файлы остаются доступными. Автоповторов, способных бесконечно расходовать аренду на сломанном файле, нет.
Повтор после ошибки
Прочитайте ошибку и убедитесь, что ни один процесс больше не использует этот результат. Сохраните нужное из незавершённого каталога. Переместите только этот каталог результата за пределы output/, затем повторите ту же команду: готовые файлы пройдут проверку и будут пропущены, проблемный обработается с начала. Исходное аудио не удаляйте. Для другого набора настроек выберите новый каталог всей проверки.
Восстановление работает по файлам, не по аудиосегментам. Двухчасовая запись, прерванная в конце, обрабатывается заново с начала. Делите длинный материал только с сохранением смещений и проверкой границ. См. подготовку аудио.
В один выходной каталог должен писать один процесс. Маркер завершения — проверка на уровне приложения, а не гарантия сохранности при отключении питания и не резервная копия. Скопируйте готовые файлы с арендованной машины, проверьте копии и сохраняйте сессию до завершения. До добавления параллельных процессов выполните замеры.
Готовы запустить?
Запустить GPU-сервер