speechlib
स्पीकर डायराइजेशन, ट्रांसक्रिप्शन और रिकग्निशन को एक ही पाइपलाइन में एकीकृत करता है।
वास्तविक नामों और समय टैग के साथ डायराइजेशन, ट्रांसक्रिप्शन और स्पीकर रिकग्निशन को मिलाएं।
speechlib एक पाइथन लाइब्रेरी है जो ऑडियो वार्ताओं के लिए स्पीकर डायराइजेशन, एएसआर बैकेंड और स्पीकर रिकग्निशन को एक ही पाइपलाइन में मिलाती है। यह उन डेवलपर्स और चिकित्सकों के अनुकूल है जो समय टैग के साथ सटीक स्पीकर लेबलिंग चाहने वाले स्थानीय ऑडियो प्रोसेसिंग वर्कफ़्लो बना रहे हैं।
यह क्या है
यह लाइब्रेरी ऑडियो फाइलों को प्रोसेस करने और वास्तविक स्पीकर नामों तथा सटीक समय टैग वाले ट्रांसक्रिप्ट जनरेट करने के लिए PyAnnote, Faster-Whisper और SpeechBrain जैसे टूल को एकीकृत करती है। इसमें ऑडियो प्रीप्रोसेसिंग फ़ंक्शन भी शामिल हैं और यह एएसआर, डायराइजेशन तथा रिकग्निशन के लिए कस्टम प्लग-एंड-प्ले बैकेंड का समर्थन करती है।
किसके लिए
यह उन पाइथन डेवलपर्स और मानसिक स्वास्थ्य तकनीक निर्माताओं के अनुकूल है जिन्हें ज्ञात स्पीकर मैपिंग के साथ स्थानीय ऑडियो ट्रांसक्रिप्शन पाइपलाइनों पर प्रोग्रामेटिक नियंत्रण की आवश्यकता है। यह उन गैर-तकनीकी चिकित्सकों के अनुकूल नहीं है जो बिना कोड लिखे उपयोग के लिए तैयार डेस्कटॉप एप्लिकेशन या क्लाउड सेवा की तलाश कर रहे हैं।
मुख्य विशेषताएँ
एकीकृत पाइपलाइन प्रोसेसिंग
डायराइजेशन, एएसआर और स्पीकर रिकग्निशन को एक ही स्क्रिप्ट में जोड़ता है।
कई एएसआर बैकेंड
Faster-Whisper, OpenAI Whisper, HuggingFace और AssemblyAI का समर्थन करता है।
ज्ञात स्पीकर रिकग्निशन
संदर्भ ऑडियो सबफ़ोल्डर का उपयोग करके डायराइजेशन टैग को वास्तविक नामों से मैप करता है।
कस्टम बैकेंड सबक्लासिंग
आपको कस्टम डायराइजर्स, रिकग्नाइजर्स या एएसआर मॉडल जोड़ने की अनुमति देता है।
3 चरणों में तैयार
हमारा ईमानदार फैसला
क्या अच्छा है
- डायराइजेशन, ट्रांसक्रिप्शन और स्पीकर रिकग्निशन को एक वर्कफ़्लो में एकीकृत करता है
- Faster-Whisper और AssemblyAI सहित कई एएसआर बैकेंड का समर्थन करता है
- संदर्भ वॉयस फ़ोल्डर का उपयोग करके अज्ञात स्पीकर टैग को वास्तविक नामों से मैप करता है
- कस्टम बैकेंड जोड़ने के लिए एब्स्ट्रैक्ट बेस क्लास प्रदान करता है
कहाँ कमी है
- पाइथन कोड लिखने और पाइथन पर्यावरण निर्भरता को संभालने की आवश्यकता होती है
- PyAnnote मॉडल के लिए एक बाहरी HuggingFace टोकन और स्वीकृत शर्तों की आवश्यकता होती है
- आपके सिस्टम पर ffmpeg स्थापित होना चाहिए और CUDA निष्पादन के लिए उचित GPU ड्राइवर होने चाहिए
- विंडोज उपयोगकर्ताओं को विशिष्ट विशेषाधिकार त्रुटियों से बचने के लिए अपने आईडीई को प्रशासक के रूप में चलाना होगा
मूल्य & लाइसेंस
अपने लाइसेंस के तहत मुफ़्त, साथ ही यदि आप AssemblyAI जैसे क्लाउड-आधारित ट्रांसक्रिप्शन प्रदाताओं का उपयोग करना चुनते हैं तो कोई भी API लागत। एकमात्र अन्य लागत इसे स्थानीय हार्डवेयर या GPU कंप्यूट पर स्वयं चलाना है।
हिंदी बोलने वालों के लिए जॉब्स
879 खुले रिमोट AI-ट्रेनिंग रोल, 15 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
विकल्प
इसे उपयोग करें, या हमसे सेट करवाएं
सामान्य प्रश्न
क्या मैं स्थानीय कस्टम फाइन-ट्यून किए गए Whisper मॉडल का उपयोग कर सकता हूँ?
हाँ, आप स्थानीय फाइन-ट्यून किए गए मॉडल चेकपॉइंट लोड करने के लिए CustomWhisperASR का उपयोग कर सकते हैं।
speechlib अज्ञात स्पीकरों को कैसे संभालता है?
यदि आप वॉयस फ़ोल्डर प्रदान नहीं करते हैं, तो स्पीकरों को स्वचालित रूप से SPEAKER_00 और SPEAKER_01 जैसे अज्ञात टैग के रूप में लेबल किया जाता है।
