subkit0.1.0

subkitは、ビデオやその他のメディアファイルをコマンドラインインターフェイスから字幕およびトランスクリプトの成果物に変換し、クリエイターや開発者にタイミング情報付きテキストを生成するための再現可能な方法を提供します。Goで書かれたスタンドアロンCLIとしてffmpegとともに実行され、文字起こしを1つの不透明な操作ではなく、パイプラインステージのシーケンスとして扱います。

各ステージは結果を独立してキャッシュするので、同じ入力とオプションでコマンドを繰り返すと、既存のアーティファクトを再利用でき、最終ファイルがない場合はレンダリング済み出力のキャッシュから再構築できます。トランスクリプト、生のプロバイダー応答、キュー、レンダリング済みファイルはデフォルトでキャッシュされます。オーディオは一時的なものですが、--cache-audio を使用すると正規化されたオーディオが保存され、後で再利用できます。キャッシュキーには、ソースメディアのハッシュ、ステップオプション、パイプラインバージョン、およびオーディオ抽出用の ffmpeg バージョンが含まれます。デフォルトのキャッシュ場所は、Go の os.UserCacheDir() から導出されます。

バッチコマンドは、個々のパスまたはglobを受け入れ、デフォルトでは最大4つのファイルを同時に処理します。 --output-template は {dir}、{base}、{input_ext}、{kind}、および {format} をサポートし、 --output-dir はバッチの出力先を処理します。 --out は、extract-audio、transcribe、および cues では、単一入力の正確なパスとして扱われます。複数ファイルの進捗は、ターミナルではインタラクティブなBubble Tea表示を使用し、リダイレクト時にはプレーンログを使用します。モードには auto、tui、plain、off を指定できます。失敗はバッチ後に要約されますが、--fail-fast を指定すると最初のエラー後にキュー済みの処理が停止します。

プロトタイプは、デフォルトでDeepgramのnova-2-videoモデルを使用しますが、ポルトガル語のpt-PT入力は現在 --modelの一般的な --language pt-PT が必要です。 そのprovider-neutralトランスクリプトモデルは、Deepgram、AssemblyAI、Google、AWS、およびWhisper-styleのタイミングとセグメントにマップする構造を保存します。