Parakeet Ultra Transcriptor

Parakeet Ultra Transcriptor

把上传的音频或视频转成完整文字，提供 TXT 下载，词级时间可用时还提供 SRT 字幕文件。界面是西班牙语，适合学生和需要转写录音的人。

由 Zangurak1 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个 Space 把音频或视频转写成文字。你上传一个文件，阅读完整文字，并下载 UTF-8 的 TXT，时间信息可用时还有 SRT 字幕文件。它使用 moondream 的 parakeet-ultra 模型，界面是西班牙语，在 Hugging Face 的 zero-a10g 硬件上运行。

适合谁：适合需要把录下来的课、演讲或视频变成文字的学生和其他人，也适合想看转写应用如何处理限制和隐私的开发者。

Industry | Who uses it | How they use it | Example
教育 | 学生和老师 | 把录下来的课变成文字用于学习 | 上传一段讲课视频，下载 TXT
媒体 | 视频剪辑师 | 从录音得到字幕 | 为一个片段下载 SRT 文件
软件 | 开发者 | 调用转写 API | 把一个文件发送到公开的转写端点

如果你的录音包含敏感内容，可以跳过它，因为页面提醒不要上传这类内容。

用在哪里：你可以在这些地方使用它：

• 浏览器：打开 Hugging Face 上这个 Space 的页面，不需要安装任何东西。
• Windows、macOS 或 Linux：用 Python 3.12 和 ffmpeg 运行你自己的副本。
• Gradio 的公开 API：转写端点接受一个输入文件。

Use case | Who | What they get back
课堂转写 | 学生 | 完整文字和 TXT 下载
字幕 | 剪辑师 | 根据真实词级时间生成的 SRT 文件
API 转写 | 开发者 | 发送到端点的文件所转出的文字

如何设置：如果要在本地运行副本，你需要先准备：

• Python 3.12 和 pip
• 在 PATH 里的 ffmpeg 和 ffprobe
• packages.txt 里列出的系统软件包，Hugging Face 用 apt-get 安装它们

在线页面不需要这些。若要运行你自己的副本，请按下面的步骤操作。

1. 安装 Hugging Face 工具。
2. 把这个 Space 的文件下载到一个文件夹。
3. 进入那个文件夹。
4. 安装 Space 使用的版本的 Gradio，再安装其他依赖包。
5. 启动应用。

pip install -U huggingface_hub
hf download Zangurak1/parakeet-ultra-transcriptor --repo-type space --local-dir parakeet-ultra-transcriptor
cd parakeet-ultra-transcriptor
pip install gradio==6.31.0
pip install -r requirements.txt
python app.py

README 还介绍了在 CPU 上做本地检查的方法，适用于缓存里已有模型的副本。它不适用于 Space 内部。

PARAKEET_LOCAL_CPU=1 python app.py

如何使用：在浏览器里打开这个 Space，或者用上面的命令启动你自己的副本。上传一个音频或视频文件，等待文字出现，然后下载 TXT 或 SRT。文件最长 3 小时、最大 2 GB，但很长的文件可能在 GPU 时间内完不成，所以请拆分。

Tool | What it does
Text output | 在页面上显示完整转写
TXT download | 原样保留模型返回的文字
SRT download | 根据真实词级时间生成字幕，按停顿和标点分组
transcribe endpoint | Gradio 的公开 API，接受一个输入文件

示例：你上传一段课堂录音。这个 Space 把它转成单声道 16 kHz 音频，转写后显示完整文字。然后你下载 TXT，如果时间有效，也可以下载 SRT。

新手与专家：如果你是新手，先用一两分钟的短录音。阅读文字，下载 TXT，检查结果，再去试长文件。

如果你熟悉这个领域，音频在 CPU 上经过 ffprobe 和 ffmpeg 处理，不经过 shell，只允许 file 和 pipe 协议。只有推理才会申请 ZeroGPU，预留时间根据音频长度计算，最多 120 秒。SRT 只使用模型给出的词级时间，从不编造或拉伸时间。

你上传音频或视频
ffmpeg 转成单声道 WAV
模型在 GPU 上转写
保存文字和 TXT
时间有效时生成 SRT

注意事项：作者测试了一个 15 秒的公开示例，总共花了 16.7 秒，其中包括连接和排队时间。长录音没有测试过，可能用完预留时间或你的额度。这个 Space 不会总结你的课，也不会把它们发送给 ChatGPT。

• License: apache-2
• Cost to run: 每次运行用掉的 ZeroGPU 额度，没有提到任何付费服务
• Data it reaches: 你上传的音频或视频，在 Gradio 缓存里短暂保存约一小时，Hugging Face 可能有自己的日志
• Not for: 敏感内容、超过 3 小时或 2 GB 的文件，以及私密存储，因为公开 Space 的下载链接不是私有的

Hugging Face 上的数据（2026年11月13日）

• 点赞：3
• 构建方式：gradio
• 许可证：apache-2.0

链接

• Space：https://huggingface.co/spaces/Zangurak1/parakeet-ultra-transcriptor
• 文件：https://huggingface.co/spaces/Zangurak1/parakeet-ultra-transcriptor/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。