Speech-to-Text System - Annas Tri Widagdo

[COVER]Perbandingan output subtitle dari workflow speech-to-text

[01]

Ringkasan

Workflow Google Colab ini mengubah audio atau video menjadi output transkrip dan subtitle yang dapat digunakan kembali.

Workflow menormalisasi media sumber, menjalankan inferensi dengan model pralatih facebook/wav2vec2-base-960h, serta mengekspor TXT, CSV, JSON, SRT, dan burned-in subtitle.

[02]

Kontribusi Saya

Membangun alur ingest media untuk sumber audio dan video.
Mengimplementasikan konversi mono 16 kHz dan pemrosesan berbasis chunk sebelum inferensi.
Menyusun output transkrip untuk format teks biasa, tabular, JSON, dan subtitle.
Menambahkan pembuatan SRT dan tahap FFmpeg untuk output burned-in subtitle.

[03]

Catatan Teknis Utama

Audio dikonversi menjadi mono dengan sample rate 16 kHz sebelum inferensi model.
Input panjang dibagi menjadi beberapa chunk agar workflow dapat memprosesnya secara berurutan.
Implementasi menggunakan model pralatih Wav2Vec2 base 960-hour sesuai dokumentasi.
Catatan proyek yang tersedia tidak mencakup evaluasi benchmark.

[04]

Bukti Visual

Bukti alur subtitle speech-to-text — FIG.01Output automatic speech recognition yang menampilkan subtitle video otomatis.

[05]

Tech Stack

Python
Wav2Vec2
Hugging Face Transformers
Librosa
FFmpeg
Pandas

[06]

Status & Tautan

Workflow selesai

Kode sumber atau sistem bersifat internal/tertutup.