Interface de liña de comandos

Audiotext tamén se pode usar desde a liña de comandos, p. ex. para transcribir desde scripts. Ten tres comandos:

• transcribe: transcribe un ficheiro, os ficheiros dun cartafol ou un vídeo de YouTube.
• watch: transcribe os ficheiros que se engaden a un cartafol ata que se detén con Ctrl+C.
• check-update: comproba se hai unha versión nova e mostra a ligazón para descargala.

As opcións que non se indican toman os valores configurados na aplicación. As transcricións sempre se gardan xunto a cada ficheiro transcrito, ou no cartafol indicado con --output-dir (onde se recrean os subcartafoles dun cartafol transcrito).

Execútaa

A aplicación instalada executa a liña de comandos cando recibe un dos seus comandos:

Sistema	Comando
Linux	audiotext (instalado en ~/.local/bin por install.sh)
macOS	/Applications/Audiotext.app/Contents/MacOS/Audiotext
Windows	audiotext-cli.exe, no cartafol onde está instalado Audiotext (%LOCALAPPDATA%\Programs\Audiotext de forma predeterminada)

Se a executas desde o código fonte, executa uv run src/cli.py no seu lugar.

Exemplos

# Transcribe un ficheiro. O texto tamén se imprime, así que se pode redirixir
audiotext transcribe interview.mp3 --language es --output-types txt,srt

# Transcribe os ficheiros dun cartafol identificando os falantes
audiotext transcribe recordings/ --diarize --speakers 2 --output-dir transcriptions/

# Transcribe un vídeo de YouTube coa API de Whisper
audiotext transcribe "https://www.youtube.com/watch?v=…" --method whisper-api

# Transcribe unha reunión coa API de Whisper, coas súas palabras clave e o seu contexto
audiotext transcribe meeting.m4a --method whisper-api \
    --openai-model gpt-transcribe --keywords "Audiotext, WhisperX" \
    --prompt "Unha reunión sobre a próxima versión"

# Garda os subtítulos e un documento de Word, resúmeo e tradúceo ao español
audiotext transcribe talk.mp4 --output-types srt,docx --summarize --translate-to es

# Transcribe os ficheiros que se engaden a un cartafol ata detelo con Ctrl+C
audiotext watch inbox/ --output-types srt

# O mesmo, transcribindo primeiro os ficheiros que xa contén
audiotext watch inbox/ --existing

Opcións

Opción	Descrición
-m, --method	Método de transcrición: whisperx, whisper-api ou google
-l, --language	Idioma do audio como código ISO 639-1 (p. ex. gl), ou auto para detectalo (non compatible con Google)
-t, --output-types	Tipos de ficheiro de saída separados por comas, entre aud, json, srt, txt, tsv, vtt, md, docx e ass (p. ex. txt,srt,md)
-o, --output-dir	Cartafol onde se gardan as transcricións (de forma predeterminada: xunto a cada ficheiro transcrito)
--overwrite	Volver transcribir os ficheiros que xa teñen unha transcrición, substituíndoa
--existing	(só watch) Transcribir primeiro os ficheiros que xa contén o cartafol e que aínda non teñen transcrición
-p, --prompt	De que trata o audio, como o seu tema ou o seu contexto (non compatible con Google)
-k, --keywords	Nomes, termos ou siglas que se din no audio, separados por comas, para que se escriban ben (non compatible con Google)
--translate	Traducir o audio ao inglés mentres se transcribe (non compatible con Google). Consulta --translate-to para outros idiomas
-q, --quiet	Imprimir só os erros
-v, --verbose	Imprimir os rexistros para depurar erros
--version	Imprimir a versión de Audiotext

Os tipos de saída que o método de transcrición non garda por si mesmo (p. ex. md ou docx) expórtanse a partir do seu resultado, como desde a aplicación. aud só o garda WhisperX.

Opcións de resumo e tradución

Opción	Descrición
--summarize	Resumir cada transcrición, cos seus puntos clave e os seus capítulos, nun ficheiro .summary.md
--summary-provider	Provedor do modelo de linguaxe que resume: openai, anthropic, deepseek, gemini, mistral, grok ou ollama
--summary-model	Modelo de linguaxe que resume
--translate-to	Traducir cada transcrición a un idioma (un código ISO 639-1), que se garda nos seus tipos de ficheiro de saída (p. ex. talk.es.srt)
--translation-provider	Provedor das traducións: os de --summary-provider, deepl ou google
--translation-model	Modelo de linguaxe que traduce, para os provedores de modelos de linguaxe

Os provedores e os modelos son os configurados na aplicación se non se indican. Consulta Provedores.

Opcións de WhisperX

Opción	Descrición
--diarize	Identificar os falantes
--speakers	Número de falantes ao identificalos (0 para detectalo)
--model-size	Modelo, p. ex. small ou large-v2 (consulta Motores)
--compute-type	int8, float16 ou float32
--batch-size	Tamaño do lote
--cpu	Executar na CPU, en lugar de nunha GPU NVIDIA ou na GPU dun Mac

Opcións da API de Whisper

Opción	Descrición
--openai-model	Modelo de transcrición: whisper-1, gpt-transcribe ou gpt-4o-transcribe-diarize

Executa audiotext transcribe --help para ver todas as opcións e os seus valores.

Saída e código de saída

O progreso imprímese na saída de erro estándar (ocúltao con --quiet), e o texto da transcrición dun único ficheiro na saída estándar. O comando remata co código 1 se falla unha transcrición, un resumo ou unha tradución, e con 130 se se detén con Ctrl+C.

Se non está configurada a clave de API do provedor de --summarize ou --translate-to, o comando detense antes de transcribir. Un resumo ou unha tradución que falla infórmase sen perder a transcrición, que se garda igualmente.

As claves de API son as configuradas na aplicación, ou as súas variables de contorno, como OPENAI_API_KEY, GOOGLE_API_KEY e HF_TOKEN (para identificar os falantes).