#!/usr/bin/env python3
"""
Transcription automatique de vidéos MP4 avec faster-whisper.
- Transcrit en français
- Génère un fichier .txt avec timestamps dans un sous-dossier 'transcripts/'
- Génère aussi un fichier .html compatible NGINX (encodage UTF-8 propre, pas de bugs accents)
- Ignore les silences et répétitions (via VAD)
- Tourne sur CPU uniquement
- Ne retranscrit pas une vidéo déjà traitée (vérifie l'existence du fichier transcript)
- S'arrête après avoir traité toutes les vidéos, ne tourne pas en boucle
Usage :
python transcribe.py [dossier_videos]
Si aucun dossier n'est fourni, utilise le dossier courant.
Installation des dépendances :
pip install faster-whisper
"""
import os
import sys
import time
from pathlib import Path
def format_timestamp(seconds: float) -> str:
"""Convertit des secondes en format HH:MM:SS,mmm"""
h = int(seconds // 3600)
m = int((seconds % 3600) // 60)
s = int(seconds % 60)
ms = int((seconds % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
def is_repetition_or_filler(text: str) -> bool:
"""
Détecte les répétitions, hésitations et bruits parasites à ignorer.
faster-whisper avec VAD filtre déjà la plupart, mais on ajoute une couche.
"""
text = text.strip().lower()
# Ignorer les segments trop courts ou vides
if len(text) <= 1:
return True
# Hésitations et bruits typiques
fillers = {
"euh", "euhm", "hm", "hmm", "hmmm", "ah", "ahh", "oh",
"um", "umm", "uh", "uhh", "mhm", "mmh", "mmm",
"[musique]", "[music]", "[bruit]", "[silence]", "[applaudissements]",
"(musique)", "(music)", "(bruit)", "(silence)",
"...", "…",
}
if text in fillers:
return True
# Ignorer si le texte ne contient que des caractères non-alphabétiques
alpha_chars = [c for c in text if c.isalpha()]
if len(alpha_chars) < 2:
return True
return False
def transcribe_video(video_path: Path, transcripts_dir: Path, model) -> bool:
"""
Transcrit une vidéo et génère les fichiers de sortie.
Retourne True si succès, False si erreur.
"""
stem = video_path.stem
txt_path = transcripts_dir / f"{stem}.txt"
html_path = transcripts_dir / f"{stem}.html"
# Vérifier si le transcript existe déjà
if txt_path.exists():
print(f" [SKIP] Transcript déjà existant : {txt_path.name}")
return True
print(f" [TRAITEMENT] {video_path.name}")
print(f" Transcription en cours (CPU, cela peut prendre du temps pour les longues vidéos)...")
start_time = time.time()
try:
# Transcription avec VAD activé pour filtrer les silences
segments, info = model.transcribe(
str(video_path),
language="fr",
beam_size=5,
vad_filter=True, # Filtre Voice Activity Detection
vad_parameters={
"min_silence_duration_ms": 500, # Ignore les silences > 500ms
"speech_pad_ms": 200, # Padding autour de la parole
"threshold": 0.5, # Seuil de détection de parole
},
word_timestamps=False,
condition_on_previous_text=True, # Cohérence contextuelle
compression_ratio_threshold=2.4, # Filtre les segments répétitifs
no_speech_threshold=0.6, # Seuil silence/parole
log_prob_threshold=-1.0,
)
# Collecter les segments filtrés
valid_segments = []
prev_text = ""
for seg in segments:
text = seg.text.strip()
# Filtrer les répétitions et bruits
if is_repetition_or_filler(text):
continue
# Filtrer les répétitions exactes consécutives
if text.lower() == prev_text.lower():
continue
valid_segments.append({
"start": seg.start,
"end": seg.end,
"text": text,
})
prev_text = text
elapsed = time.time() - start_time
print(f" Terminé en {elapsed:.1f}s — {len(valid_segments)} segments")
# --- Écriture du fichier TXT avec timestamps ---
with open(txt_path, "w", encoding="utf-8") as f:
f.write(f"Transcription : {video_path.name}\n")
f.write(f"Langue détectée : {info.language} (probabilité : {info.language_probability:.2%})\n")
f.write(f"Durée : {format_timestamp(info.duration)}\n")
f.write("=" * 60 + "\n\n")
for seg in valid_segments:
ts_start = format_timestamp(seg["start"])
ts_end = format_timestamp(seg["end"])
f.write(f"[{ts_start} --> {ts_end}]\n")
f.write(f"{seg['text']}\n\n")
print(f" TXT sauvegardé : {txt_path}")
# --- Écriture du fichier HTML compatible NGINX (UTF-8, accents OK) ---
with open(html_path, "w", encoding="utf-8") as f:
f.write('\n')
f.write('\n')
f.write('\n')
f.write(' \n')
f.write(' \n')
f.write(f' Transcription — {html_escape(video_path.name)}\n')
f.write(' \n')
f.write('\n')
f.write('\n')
f.write(f' Transcription : {html_escape(video_path.name)}
\n')
f.write(f' '
f'Langue : {html_escape(info.language)} ({info.language_probability:.2%}) | '
f'Durée : {html_escape(format_timestamp(info.duration))}'
f'
\n')
for seg in valid_segments:
ts_start = format_timestamp(seg["start"])
ts_end = format_timestamp(seg["end"])
f.write(' \n')
f.write(f'
[{html_escape(ts_start)} → {html_escape(ts_end)}]\n')
f.write(f'
{html_escape(seg["text"])}
\n')
f.write('