Voxlab — Whisper + TTS Studio

Веб-приложение для транскрибации речи и синтеза голоса. Работает локально в Docker, не требует GPU.

Быстрый старт

# 1. Скачать docker-compose.yml
mkdir voxlab && cd voxlab
curl -O https://raw.githubusercontent.com/deadchack123/voxlab/main/docker-compose.yml

# 2. Запустить
docker compose up -d

Открой http://localhost:5050 — готово!

При первом запуске скачается модель Whisper (~1.6 ГБ). Модель кэшируется и больше не качается.

Как пользоваться

Транскрибация (STT)

1. Открой http://localhost:5050
2. Загрузи источник:
   • Файл — перетащи аудио/видео в зону загрузки (или нажми для выбора)
   • Ссылка — вставь URL с YouTube, Rutube, VK и 1000+ сайтов
3. Жди результат — текст появится с таймкодами
4. Скачай результат в нужном формате: TXT, SRT, VTT или JSON

YouTube: если видео не загружается — вставь cookies через кнопку "Вставить из буфера" (нужно расширение Get cookies.txt для Chrome)

Настройки транскрибации (раскрывающаяся панель):

• Модель Whisper — от tiny (быстро, неточно) до large-v3 (медленно, точно). По умолчанию large-v3-turbo — лучший баланс
• Язык — авто-определение или ручной выбор (13 языков)
• Диаризация — определяет кто говорит (спикер 1, спикер 2...), можно переименовать спикеров

Очистка текста ИИ (раскрывающаяся панель):

• Убирает слова-паразиты, исправляет пунктуацию
• Нужен API-ключ: Groq (бесплатно), OpenRouter (бесплатно) или Anthropic
• Настраивается прямо в интерфейсе

Озвучка (TTS)

1. Переключись на вкладку Озвучка (TTS)
2. Загрузи образец голоса (аудио/видео, 10-30 сек чистой речи)
3. Подкрути голос если нужно — высота, скорость, выразительность, тембр
4. Введи текст и нажми Озвучить
5. Скачай результат (WAV)

Источники голоса:

• Загрузить файл — любое аудио/видео с голосом
• Из транскрибации — взять голос из ранее загруженного файла
• Записать с микрофона — записать голос прямо в браузере
• Из пресета — использовать ранее сохранённый голос

Пресеты — можно сохранить голос + настройки и переиспользовать.

Настройка

Создай .env рядом с docker-compose.yml:

# Модель Whisper (по умолчанию large-v3-turbo)
# Варианты: tiny, base, small, medium, large-v1, large-v2, large-v3, large-v3-turbo
WHISPER_MODEL=large-v3-turbo

Поддерживаемые форматы

• Вход: MP4, WebM, MP3, WAV, M4A, OGG, FLAC и другие (всё что понимает ffmpeg)
• Экспорт транскрибации: TXT, SRT (субтитры), VTT (субтитры), JSON
• Экспорт озвучки: WAV

Сборка из исходников

Для разработки и тестирования:

git clone https://github.com/deadchack123/voxlab.git
cd voxlab
docker compose -f docker-compose.dev.yml up -d --build

GPU-ускорение (NVIDIA)

GPU даёт 10-20x ускорение транскрибации. Нужна видеокарта NVIDIA с поддержкой CUDA.

Запуск с GPU

docker compose -f docker-compose.gpu.yml up -d --build

В логах должно быть: Using device: cuda (compute_type: float16)

Требования для GPU

• Linux: установить NVIDIA Container Toolkit
• Windows (WSL2):
  1. Установить последний NVIDIA драйвер для Windows (Game Ready или Studio)
  2. Включить WSL2 в Docker Desktop (Settings → General → Use WSL2)
  3. Docker Desktop автоматически подхватит GPU через WSL2
• macOS: не поддерживается (нет NVIDIA GPU)

Проверка GPU в контейнере

docker compose -f docker-compose.gpu.yml exec whisper python -c "import torch; print(torch.cuda.is_available())"

Системные требования

• Docker и Docker Compose
• 4+ ГБ RAM (8 ГБ рекомендуется)
• ~5 ГБ диска (образ + модели)
• CPU (GPU не требуется)
• Работает на Linux, macOS (Intel и Apple Silicon), Windows (через Docker Desktop)