Transcriptor

Transcriptor API

API de transcripción de audio y video con identificación de hablantes (diarización).

Descripción

Transcriptor es un servicio que convierte archivos de audio y video a texto utilizando Whisper (a través de faster-whisper) e identifica quién habla en cada momento mediante PyAnnote para diarización de hablantes.

Requisitos

• Python 3.11+
• FFmpeg (para conversión de formatos)
• GPU CUDA (recomendado para transcripción)

Instalación

pip install -r requirements.txt

Configuración

Crear un archivo .env en la raíz del proyecto:

# Variables de entorno opcionales

Ejecución

uvicorn main:app --host 0.0.0.0 --port 8010 --reload

Accede a la interfaz web en: http://localhost:8010/

Endpoints principales

Autenticación

Método	Endpoint	Descripción
GET	/auth/verify	Verificar credenciales
POST	/auth/login	Iniciar sesión
POST	/auth/logout	Cerrar sesión
POST	/auth/change-password	Cambiar contraseña

Transcripción

Método	Endpoint	Descripción
POST	/transcribe	Enviar archivo para transcripción
GET	/jobs/{job_id}	Consultar estado de un trabajo
GET	/jobs	Listar trabajos del usuario
GET	/jobs/{job_id}/download/{fmt}	Descargar resultado
DELETE	/jobs/{job_id}	Eliminar un trabajo

Admin

Método	Endpoint	Descripción
GET	/admin/users	Listar usuarios
POST	/admin/users	Crear usuario
DELETE	/admin/users/{user_id}	Eliminar usuario
POST	/admin/users/{user_id}/api-key	Generar clave API
GET	/admin/metrics	Métricas del sistema
GET	/admin/jobs	Ver todos los trabajos

Modelos disponibles

Modelo	Descripción
large-v3	Mayor precisión (predeterminado)
large-v2	Alta precisión
medium	Balance precisión/velocidad
small	Rápido
base	Más rápido

Formatos de salida

• srt — Subtítulos con marcas de tiempo y hablantes
• txt — Texto plano con etiquetas de hablante
• srt_nh — Subtítulos sin identificación de hablante
• txt_nh — Texto plano sin hablantes

Los formatos sin hablante (_nh) omiten el paso de diarización y son más rápidos.

Idiomas soportados

es, en, pt, fr, de, it, ja, zh, auto

Arquitectura

• FastAPI — Framework web
• faster-whisper — Transcripción con Whisper
• PyAnnote — Diarización de hablantes
• FFmpeg — Conversión de audio/video a WAV 16kHz
• SQLite/JSON — Almacenamiento de usuarios y trabajos (en archivo)