whisper-stt-cli/stt_respeaker.py
2026-09-13 21:05:18 +02:00

476 lines
15 KiB
Python

#!/usr/bin/env python3
"""
STT-Skript: Nimmt Audio vom ReSpeaker XVF3800 auf und transkribiert es
mit faster-whisper (lokal, CPU-only).
Features:
- Ansage "Aufnahme laeuft" ueber den ReSpeaker-Lautsprecher (espeak-ng TTS)
- Kontinuierliche Aufnahme bis das Stoppwort "Ende" erkannt wird
- Echtzeit-Stoppworterkennung mit Whisper tiny-Modell
- Finale Transkription mit Whisper medium-Modell (hoehere Genauigkeit)
- LLM-Korrektur mit gemma3:latest (Ollama) fuer grammatikalisch korrekten Text
Verwendung:
python3 stt_respeaker.py # Aufnehmen bis "Ende" gesagt wird
python3 stt_respeaker.py en # Sprache Englisch, Stoppwort "end"
python3 stt_respeaker.py --file audio.wav # Vorhandene Datei transkribieren
Voraussetzungen:
pip install faster-whisper sounddevice numpy scipy requests
espeak-ng installiert
ollama + gemma3:latest installiert
Beim ersten Aufruf werden die Whisper-Modelle automatisch heruntergeladen.
"""
import sys
import os
import wave
import time
import tempfile
import argparse
import subprocess
import numpy as np
import sounddevice as sd
from scipy.signal import resample_poly
from faster_whisper import WhisperModel
import requests
# Output-Buffering deaktivieren
sys.stdout.reconfigure(line_buffering=True)
# === Konfiguration ===========================================================
DEVICE_SR = 48000
WHISPER_SR = 16000
CHANNELS = 2
DTYPE = "float32"
MODEL_SIZE = "large-v3" # Auf GPU: beste Genauigkeit, ~0.1s pro 30s Audio
STOPWORD_MODEL = "large-v3" # Gleiche Modell auf GPU, keine zusaetzliche Ladezeit
DEVICE_COMPUTE = "cuda" # RTX 3090
COMPUTE_TYPE = "float16" # Beste GPU-Praezision
GPU_DEVICE_INDEX = 1 # Zweite RTX 3090 (erste ist durch Ollama belegt)
DEFAULT_LANG = "de"
DEVICE_KEYWORD = "XVF3800"
INITIAL_PROMPT = "Nachrichten, Politik, Friedrich Merz, CDU, CSU, SPD, Olaf Scholz, Markus Söder, Kanzler, Merz-Akte"
# LLM-Korrektur (Ollama)
LLM_MODEL = "mistral-small3.2:24b"
LLM_URL = "http://localhost:11434/api/chat"
LLM_SYSTEM_PROMPT = {
"de": (
"Du bist ein Korrektor fuer deutsche Sprachtranskripte. "
"Korrigiere Grammatik, Rechtschreibung, korrigiere falsch verstandene Woerter und ergaenze fehlende Woerter "
"zu einem sinnvollen Text. "
"Achte auf korrekte Namen: Friedrich Merz (CDU), Markus Soeder (CSU), "
"Olaf Scholz (SPD). "
"Entferne das Stoppwort 'Ende' am Schluss falls vorhanden. "
"Antworte NUR mit dem korrigierten Text, ohne Einleitung oder Kommentar."
),
"en": (
"You are a proofreader for English speech transcripts. "
"Correct grammar, spelling, correct wrong unerstood words and add missing words to make coherent text. "
"Remove the stopword 'end' at the end. "
"Reply ONLY with the corrected text, no preamble."
),
}
STOPWORDS = {
"de": ["ende", "end", "stop"],
"en": ["end", "stop", "done", "finish"],
"fr": ["fin", "stop", "termine"],
"es": ["fin", "stop", "terminado"],
}
CHUNK_SEC = 2.0
MAX_DURATION = 60
VAD_THRESHOLD = 0.008 # Angepasst fuer ASR-Kanal (rechter Kanal)
def find_respeaker_device():
"""Sucht den ReSpeaker XVF3800 in der Liste der Audiogeraete."""
devices = sd.query_devices()
for i, dev in enumerate(devices):
name_lower = dev["name"].lower()
if (("xvf3800" in name_lower or "respeaker" in name_lower or "array" in name_lower)
and dev["max_input_channels"] > 0):
print(f"ReSpeaker gefunden: [{i}] {dev['name']}"
f" ({dev['max_input_channels']} In, "
f"{dev['max_output_channels']} Out)")
return i
print(f"Kein Geraet mit '{DEVICE_KEYWORD}' gefunden.")
print("Verfuegbare Eingabegeraete:")
for i, dev in enumerate(devices):
if dev["max_input_channels"] > 0:
print(f" [{i}] {dev['name']}")
return None
def play_announcement(text, device_idx, lang="de"):
"""Erzeugt TTS mit espeak-ng und spielt es ueber den ReSpeaker ab."""
print(f"Ansage: '{text}'")
tmp_wav = tempfile.NamedTemporaryFile(
suffix=".wav", delete=False, prefix="tts_"
)
tmp_wav.close()
espeak_lang = {"de": "de", "en": "en", "fr": "fr", "es": "es"}.get(lang, "de")
subprocess.run(
["espeak-ng", "-v", espeak_lang, "-s", "150",
"-w", tmp_wav.name, text],
check=True, capture_output=True
)
tmp_loud = tempfile.NamedTemporaryFile(
suffix=".wav", delete=False, prefix="tts_loud_"
)
tmp_loud.close()
subprocess.run(
["ffmpeg", "-y", "-i", tmp_wav.name,
"-filter:a", "volume=3.0",
"-ar", str(DEVICE_SR), "-ac", str(CHANNELS),
tmp_loud.name],
check=True, capture_output=True
)
sink = ("alsa_output.usb-Seeed_Studio_reSpeaker_"
"XVF3800_4-Mic_Array_114993700261100055-00.analog-stereo")
subprocess.run(
["paplay", "--device", sink,
"--volume", "1.5", tmp_loud.name],
check=True, capture_output=True
)
os.unlink(tmp_wav.name)
os.unlink(tmp_loud.name)
print(" (Ansage beendet)\n")
def resample_to_16k(audio_48k_mono):
return resample_poly(audio_48k_mono, 1, 3)
def stereo_to_mono(audio):
"""Extrahiert den rechten Kanal (ASR-Output des XVF3800).
Der rechte Kanal ist der fuer Spracherkennung optimierte ASR-Output
(AEC residual / auto-select beam). Der linke Kanal ist der verarbeitete
Beamforming-Output. Beide zu mischen verschlechtert die Qualitaet."""
if audio.ndim > 1:
# Rechter Kanal = Index 1 (ASR-Output, optimiert fuer Spracherkennung)
return audio[:, 1]
return audio
def compute_rms(audio_float):
return float(np.sqrt(np.mean(audio_float ** 2)))
def check_stopword(audio_16k, model, language, stopword_list):
rms = compute_rms(audio_16k)
if rms < VAD_THRESHOLD:
return False, "", rms
segments, _ = model.transcribe(
audio_16k,
language=language,
beam_size=1,
vad_filter=True,
temperature=0.0,
)
text = " ".join(seg.text.strip().lower() for seg in segments)
for word in stopword_list:
if word in text:
return True, text, rms
return False, text, rms
def record_until_stopword(device_idx, language, stopword_list):
"""Nimmt kontinuierlich auf bis Stoppwort erkannt wird."""
print(f"Lade Whisper-Modell '{STOPWORD_MODEL}' (GPU)...")
sw_model = WhisperModel(
STOPWORD_MODEL, device=DEVICE_COMPUTE, compute_type=COMPUTE_TYPE,
device_index=GPU_DEVICE_INDEX,
)
print(f"Aufnahme laeuft — sage '{stopword_list[0]}' zum Stoppen.")
print(f" (Notbremse nach {MAX_DURATION}s)\n")
chunk_samples = int(CHUNK_SEC * DEVICE_SR)
all_audio_48k = []
total_duration = 0.0
stream = sd.InputStream(
samplerate=DEVICE_SR,
channels=CHANNELS,
dtype=DTYPE,
device=device_idx,
blocksize=chunk_samples,
)
stream.start()
try:
while total_duration < MAX_DURATION:
chunk, overflowed = stream.read(chunk_samples)
if overflowed:
print(" Buffer Overflow!")
chunk_mono = stereo_to_mono(chunk)
chunk_16k = resample_to_16k(chunk_mono)
all_audio_48k.append(chunk_mono)
total_duration += CHUNK_SEC
rms = compute_rms(chunk_16k)
if rms >= VAD_THRESHOLD:
is_stop, text, rms = check_stopword(
chunk_16k, sw_model, language, stopword_list
)
bar = "#" * min(int(rms * 200), 30)
status = f" [{total_duration:5.1f}s] RMS:{rms:.3f} {bar}"
if text:
status += f" '{text}'"
print(status)
if is_stop:
print(f"\n>>> Stoppwort erkannt: '{text}'")
break
else:
print(f" [{total_duration:5.1f}s] RMS:{rms:.3f} (Stille)")
finally:
stream.stop()
stream.close()
full_audio_48k = np.concatenate(all_audio_48k)
full_audio_16k = resample_to_16k(full_audio_48k)
# Software-Verstaerkung: Audio normalisieren auf -3 dBFS Peak
# Der XVF3800 liefert sehr leises Signal, daher nachverstaerken
peak = float(np.max(np.abs(full_audio_16k)))
if peak > 0.001:
target_peak = 0.7 # -3 dBFS
gain = target_peak / peak
full_audio_16k = full_audio_16k * gain
full_audio_16k = np.clip(full_audio_16k, -1.0, 1.0)
print(f" Lautstaerke-Anpassung: Gain x{gain:.1f} "
f"(Peak {peak:.3f} -> {target_peak:.3f})")
else:
print(" Warnung: Sehr leises Signal, keine Verstaerkung.")
print(f"\nAufnahme beendet. Gesamtdauer: "
f"{len(full_audio_16k)/WHISPER_SR:.1f}s\n")
return full_audio_16k
def save_wav(audio_data, filename):
audio_int16 = (audio_data * 32767).astype(np.int16)
with wave.open(filename, "wb") as wf:
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(WHISPER_SR)
wf.writeframes(audio_int16.tobytes())
def transcribe(audio_data, language="de", model_size=MODEL_SIZE):
"""Transkribiert Audio mit faster-whisper."""
print(f"Lade Whisper-Modell '{model_size}'"
f" (device={DEVICE_COMPUTE}, compute={COMPUTE_TYPE})...")
print(" (Beim ersten Aufruf wird das Modell heruntergeladen.)\n")
model = WhisperModel(
model_size,
device=DEVICE_COMPUTE,
compute_type=COMPUTE_TYPE,
device_index=GPU_DEVICE_INDEX,
)
print("Transkribiere...\n")
transcribe_kwargs = dict(
language=language,
beam_size=5,
vad_filter=True,
best_of=5,
temperature=[0.0, 0.2, 0.4, 0.6],
)
if INITIAL_PROMPT:
transcribe_kwargs["initial_prompt"] = INITIAL_PROMPT
segments, info = model.transcribe(audio_data, **transcribe_kwargs)
print(f" Sprache erkannt: {info.language}"
f" ({info.language_probability:.1%})")
print(f" Dauer: {info.duration:.1f}s\n")
full_text = ""
print("--- Whisper-Transkription (roh) ----------------------")
for seg in segments:
timestamp = f"[{seg.start:5.1f}s - {seg.end:5.1f}s]"
print(f" {timestamp} {seg.text}")
full_text += seg.text + " "
print("------------------------------------------------------\n")
return full_text.strip()
def llm_correct(text, language="de"):
"""Korrigiert den transkribierten Text mit einem lokalen LLM (Ollama Chat API)."""
if not text:
return text
system_prompt = LLM_SYSTEM_PROMPT.get(language, LLM_SYSTEM_PROMPT["de"])
print(f"LLM-Korrektur mit '{LLM_MODEL}' (Ollama)...\n")
try:
response = requests.post(
LLM_URL,
json={
"model": LLM_MODEL,
"messages": [
{"role": "system", "content": system_prompt},
{"role": "user", "content": text},
],
"stream": False,
"options": {
"temperature": 0.0,
"num_predict": 500,
},
},
timeout=180,
)
response.raise_for_status()
result = response.json().get("message", {}).get("content", "").strip()
if result:
print("--- LLM-korrigierter Text ----------------------------")
print(f" {result}")
print("------------------------------------------------------\n")
return result
else:
print("LLM lieferte leere Antwort — verwende Whisper-Text.\n")
return text
except requests.exceptions.RequestException as e:
print(f"Fehler bei LLM-Korrektur: {e}")
print("Verwende unkorrigierten Whisper-Text.\n")
return text
def transcribe_file(filepath, language, model_size=MODEL_SIZE):
"""Transkribiert eine vorhandene WAV-Datei."""
print(f"Lade Datei: {filepath}\n")
with wave.open(filepath, "rb") as wf:
frames = wf.readframes(wf.getnframes())
audio_int16 = np.frombuffer(frames, dtype=np.int16)
audio_float = audio_int16.astype(np.float32) / 32767.0
file_sr = wf.getframerate()
print(f" Dauer: {len(audio_float) / file_sr:.1f}s")
print(f" Samplerate: {file_sr} Hz\n")
if file_sr != WHISPER_SR:
print(f" Resample: {file_sr} -> {WHISPER_SR} Hz")
from math import gcd
g = gcd(file_sr, WHISPER_SR)
up = WHISPER_SR // g
down = file_sr // g
audio_float = resample_poly(audio_float, up, down)
whisper_text = transcribe(audio_float, language, model_size)
if whisper_text:
corrected = llm_correct(whisper_text, language)
return corrected
return whisper_text
def main():
parser = argparse.ArgumentParser(
description="STT mit ReSpeaker XVF3800 + faster-whisper + LLM-Korrektur"
)
parser.add_argument(
"language",
type=str,
nargs="?",
default=DEFAULT_LANG,
help="Sprachcode: de, en, fr, es, ... (Standard: de)",
)
parser.add_argument(
"--file",
type=str,
default=None,
help="Vorhandene WAV-Datei transkribieren statt live aufzunehmen",
)
parser.add_argument(
"--model",
type=str,
default=MODEL_SIZE,
help=f"Whisper-Modell: tiny|base|small|medium|large-v3"
f" (Standard: {MODEL_SIZE})",
)
parser.add_argument(
"--no-llm",
action="store_true",
help="LLM-Korrektur ueberspringen (nur Whisper-Text ausgeben)",
)
args = parser.parse_args()
print("=" * 55)
print(" ReSpeaker XVF3800 -> Whisper + LLM-Korrektur")
print("=" * 55)
# Datei-Modus
if args.file:
if not os.path.isfile(args.file):
print(f"Datei nicht gefunden: {args.file}")
sys.exit(1)
text = transcribe_file(args.file, args.language, args.model)
if text:
print(f"\n=== FINALES ERGEBNIS ===\n{text}\n")
else:
print("Keine Sprache erkannt.")
return
# Live-Aufnahme-Modus
device_idx = find_respeaker_device()
if device_idx is None:
print("Kein ReSpeaker XVF3800 gefunden.")
sys.exit(1)
stopword_list = STOPWORDS.get(args.language, STOPWORDS["de"])
# Ansage
play_announcement("Aufnahme laeuft.", device_idx, args.language)
# Aufnehmen bis Stoppwort
audio = record_until_stopword(device_idx, args.language, stopword_list)
# WAV zwischenspeichern
tmp_wav = tempfile.NamedTemporaryFile(
suffix=".wav", delete=False, prefix="respeaker_"
)
save_wav(audio, tmp_wav.name)
print(f"Aufnahme gespeichert: {tmp_wav.name}\n")
# Whisper-Transkription
whisper_text = transcribe(audio, args.language, args.model)
# LLM-Korrektur
if whisper_text and not args.no_llm:
final_text = llm_correct(whisper_text, args.language)
else:
final_text = whisper_text
# Aufnahme NICHT loeschen — fuer spaetere Wiederverwendung
print(f"Aufnahme behalten: {tmp_wav.name}\n")
if final_text:
print(f"\n=== FINALES ERGEBNIS ===\n{final_text}\n")
print("Fertig!")
else:
print("Keine Sprache erkannt — versuche es mit lauterer Stimme.")
if __name__ == "__main__":
main()