rust-scribe

rust-scribe 是一個高效能的影片/音頻逐字稿轉寫工具，使用 Rust 語言編寫，並結合了 Whisper.cpp 的強大轉寫能力與 FFmpeg 的音頻處理功能，可自動生成帶有時間碼的逐字稿。

功能特性

• 高效音頻提取：利用 FFmpeg 直接從影片或音頻檔案中提取並重採樣為 Whisper 所需的格式 (16kHz, Mono, f32)
• 精準轉寫：基於 OpenAI Whisper 模型，提供高精度的語音轉文字功能
• 時間碼支援：自動產生精確到毫秒的逐字稿時間戳，格式為 HH:MM:SS.mmm(fXX) (25fps)
• 語言自動檢測：若未指定語言，可自動偵測輸入音頻的語言
• 優化進度顯示：在轉寫過程中提供即時的處理進度、耗時與預估剩餘時間
• 自動存檔：支援定期自動存檔，避免長時間轉寫因意外中斷而遺失進度
• 中斷續處理：支援從上次中斷點繼續處理
• 語言分段檢測：自動檢測每段文字的語言類型，生成帶語言標籤的逐字稿
• 特殊內容識別：自動識別 Music (音樂) 和 Empty (空文字) 分段

前置需求

在編譯與執行前，請確保系統已安裝以下環境：

1. Rust 環境：請安裝 Rustup
2. FFmpeg：系統必須安裝 FFmpeg 開發庫
   • macOS: brew install ffmpeg
   • Ubuntu/Debian: sudo apt install libavcodec-dev libavformat-dev libavutil-dev libswresample-dev
3. Whisper 模型：請準備 Whisper 的 .bin 模型檔案，並放置於 models/ 目錄中

編譯與安裝

# 複製專案
git clone <repository-url>
cd rust-scribe

# 編譯 Release 版本 (建議)
cargo build --release

使用方式

基本使用

./target/release/rust-scribe <input_file> --model models/<your-model.bin>

參數說明

參數	說明	必填
<input_file>	欲轉寫的影片或音頻檔案路徑	✅
-m, --model <MODEL_PATH>	Whisper 模型檔案路徑	✅
-l, --language <LANG>	指定轉寫語言 (例如 zh, en)。若不指定將自動偵測	❌
-v, --verbose	開啟詳細轉寫進度輸出	❌
--save-interval <N>	每 N 個分段自動存檔一次 (預設: 100)	❌
--max-duration <秒>	限制處理的最大時長（用於測試）	❌

使用範例

# 基本使用，自動檢測語言，每 10 個分段存檔
cargo run --release -- video.mp4 --model models/ggml-base.bin --save-interval 10

# 指定中文轉寫
cargo run --release -- lecture.mkv --model models/ggml-base.bin --language zh

# 限制處理前 60 秒（用於測試）
cargo run --release -- video.mp4 --model models/ggml-base.bin --max-duration 60

輸出檔案

程式會生成兩個輸出檔案：

1. .asr.json - 基本逐字稿

包含基本的轉寫結果：

{
  "input_file": "video.mp4",
  "language": "English",
  "segments": [
    {
      "start": "00:00:05.120(f03)",
      "end": "00:00:08.560(f14)",
      "text": "Hello everyone",
      "language": "English"
    }
  ]
}

2. .asrx.json - 帶語言檢測的逐字稿

包含每段文字的語言檢測結果：

{
  "input_file": "video.mp4",
  "segments": [
    {
      "start": "00:00:05.120(f03)",
      "end": "00:00:08.560(f14)",
      "text": "Hello everyone",
      "language": "English",
      "confidence": 0.98
    },
    {
      "start": "00:00:10.000(f00)",
      "end": "00:00:13.000(f00)",
      "text": "[Music]",
      "language": "Music",
      "confidence": 1.0
    }
  ]
}

進度顯示說明

轉寫過程中會顯示即時進度：

═══════════════════════════════════════════════════════════
🎙️  Transcribing (this may take a few minutes)...
💡  Auto-saving every 10 segments
📋 Legend:
   P = Processed (已處理分段數)
   A = ASR saved (.asr.json 已存檔數)
   X = Lang detect saved (.asrx.json 已存檔數)
═══════════════════════════════════════════════════════════

🔄 Progress: [71:05/114:39] 62.0% | Elapsed: 03:04 | Remaining: 01:54 | P:1112 A:1110 X:1110 | English:500 Unknown:52 Music:58

進度列格式說明

• 時間進度：[已處理時間/總時長] 完成百分比
• 時間統計：Elapsed: 已耗時 | Remaining: 預估剩餘時間
• 分段統計：P:已處理數 A:ASR存檔數 X:語言檢測存檔數
• 語言統計：各語言類型的分段數量（依序顯示）

特殊類型標籤

• Music：音樂或背景音效段落
• Empty：空文字或純空白段落
• Unknown：語言識別置信度低於 0.5 的段落

中斷續處理

程式支援中斷後繼續處理：

1. 當程式偵測到已存在的輸出檔案時，會詢問是否繼續
2. 選擇 [C] Continue 會從上次中斷點繼續
3. 選擇 [R] Restart 會刪除舊檔案重新開始

兩個檔案（.asr.json 和 .asrx.json）會同步處理。

語言檢測說明

使用 whatlang 函式庫進行語言檢測：

• 置信度 ≥ 0.5：顯示檢測到的語言名稱
• 置信度 < 0.5：標註為 "Unknown"
• Music：自動識別包含 [Music] 或 (music) 標記的段落
• Empty：空文字或純空白段落

專案結構

rust-scribe/
├── src/
│   └── main.rs           # 核心邏輯
├── models/               # Whisper 模型檔案
├── Cargo.toml            # 專案配置
├── Cargo.lock            # 依賴鎖定
├── README.md             # 使用文檔
├── AGENTS.md             # 開發者規範
└── .cargo/
    └── config.toml       # Cargo 配置

開發者規範

請參閱 AGENTS.md 了解詳細的代碼風格、編譯與測試指南。

許可證

MIT License

致謝

• Whisper.cpp - OpenAI Whisper 的 C++ 實現
• FFmpeg - 音頻處理函式庫
• whisper-rs - Whisper.cpp 的 Rust 綁定
• whatlang - 自然語言檢測函式庫