sonido-de-sistema-a-texto/V00/captura_audio_comentado.py

"""
===========================================================
INSTALACIÓN DE PYTHON Y DEPENDENCIAS (SISTEMA WINDOWS)
===========================================================

1. INSTALACIÓN DE PYTHON:
   - Descarga Python para Windows desde: https://www.python.org/downloads/windows/
   - Se recomienda instalar Python 3.12 o superior.
   - Durante la instalación, asegúrate de marcar la opción "Add Python to PATH" para que puedas ejecutar Python y pip desde la línea de comandos.

2. CONFIGURACIÓN DEL ENTORNO:
   - Abre una ventana de comandos (CMD o PowerShell).

3. INSTALACIÓN DE DEPENDENCIAS:
   Ejecuta los siguientes comandos para instalar las dependencias necesarias:

   pip install sounddevice        -> Para capturar audio en tiempo real.
   pip install numpy              -> Para operaciones numéricas y manejo de arrays.
   pip install openai-whisper     -> Para transcripción con el modelo Whisper.
       * Requiere además:
         - ffmpeg: Descárgalo desde https://ffmpeg.org/download.html#build-windows y agrega la carpeta "bin" al PATH.
         - PyTorch: Instálalo siguiendo las instrucciones en https://pytorch.org/
   pip install pydub              -> Para manipulación y segmentación de audio (requiere ffmpeg instalado y en el PATH).
   pip install pyAudioAnalysis    -> (No se usará la diarización en este script, pero se puede instalar para otros usos).
   pip install hmmlearn           -> Dependencia de pyAudioAnalysis.
   pip install matplotlib         -> Usado por pyAudioAnalysis para gráficos.
   pip install eyed3              -> Dependencia de pyAudioAnalysis para manejo de metadatos.
   pip install imbalanced-learn   -> En algunos casos requerido por pyAudioAnalysis.
   pip install plotly             -> En algunos casos requerido por pyAudioAnalysis.
   pip install SpeechRecognition  -> Para Google Speech-to-Text.

4. EJECUCIÓN DEL SCRIPT:
   - Guarda este código en un archivo (por ejemplo, "transcriptor.py").
   - Ejecuta el script desde la línea de comandos con:
         python transcriptor.py
   - Sigue las instrucciones en pantalla para ingresar el código de idioma para Google Speech-to-Text.

Nota: En Windows, para capturar el audio del sistema (lo que se reproduce en el sistema), puede ser necesario configurar el dispositivo WASAPI loopback.
===========================================================
"""

import sounddevice as sd       # Captura de audio en tiempo real
import numpy as np             # Procesamiento numérico
import queue                   # Manejo de colas
import threading               # Para procesamiento en segundo plano (hilos)
import time                    # Funciones de tiempo y pausas
import wave                    # Manejo de archivos WAV
import os                      # Operaciones con archivos/sistema
import datetime                # Para trabajar con fechas y horas
import whisper                 # Transcripción con modelo Whisper (openai-whisper)
from pydub import AudioSegment # Manipulación de audio (pydub)
import speech_recognition as sr  # Transcripción con Google Speech-to-Text

# ================== Configuración ==================
SAMPLE_RATE = 44100              # Frecuencia de muestreo (Hz)
CHUNK_DURATION = 6               # Duración en segundos de cada fragmento a procesar
MIN_VOLUME_THRESHOLD = 0.003     # Umbral mínimo de RMS para descartar silencios excesivos
transcription_file = "250506_UNIVERSAL_ROBOTS_ROBOPLUS.txt"  # Archivo donde se guardará la transcripción

# Para Whisper: Si TARGET_LANGUAGE es None, Whisper detecta automáticamente el idioma.
TARGET_LANGUAGE = 'es'  # Ejemplo: 'es' para español

# Cola para almacenar los fragmentos de audio capturados
audio_queue = queue.Queue()

# Cargar el modelo Whisper (puedes elegir 'base', 'small', 'medium', etc.)
print("Cargando modelo Whisper...")
model = whisper.load_model('base')
print("Modelo cargado.")

# ================== Captura de Audio ==================
def audio_callback(indata, frames, time_info, status):
    """
    Callback de sounddevice para capturar audio en tiempo real.
    Los datos se copian y se colocan en la cola para su posterior procesamiento.
    """
    if status:
        print("Status:", status)
    audio_queue.put(indata.copy())

# ================== Procesamiento en Segundo Plano ==================
def process_audio():
    """
    Acumula fragmentos de audio hasta alcanzar CHUNK_DURATION segundos y luego los procesa.
    """
    audio_buffer = []
    samples_needed = int(CHUNK_DURATION * SAMPLE_RATE)
    while True:
        try:
            data = audio_queue.get(timeout=1)
            audio_buffer.append(data)
            total_samples = sum(chunk.shape[0] for chunk in audio_buffer)
            if total_samples >= samples_needed:
                # Concatenar los fragmentos acumulados en un único fragmento
                audio_chunk = np.concatenate(audio_buffer, axis=0)
                audio_buffer = []  # Reiniciar buffer tras el procesamiento
                process_chunk(audio_chunk)
        except queue.Empty:
            continue

def process_chunk(chunk):
    """
    Procesa un fragmento de audio completo:
      1. Verifica que el audio no esté en silencio (según el umbral).
      2. Guarda el fragmento en un archivo WAV temporal.
      3. Transcribe el fragmento utilizando tanto Whisper como Google Speech-to-Text.
      4. Guarda la transcripción (con timestamp) en 'transcripcion.txt' y elimina los archivos temporales.
    """
    # Calcular RMS y el volumen máximo del fragmento
    rms = np.sqrt(np.mean(chunk**2))
    max_volume = np.max(np.abs(chunk))
    print(f"RMS: {rms:.5f}, Volumen máximo detectado: {max_volume:.5f}")
    
    if rms < MIN_VOLUME_THRESHOLD:
        print("Fragmento demasiado silencioso. Se omite.")
        return

    # Convertir de float32 (rango [-1, 1]) a int16
    chunk_int16 = np.int16(chunk * 32767)
    
    temp_filename = "temp_audio.wav"
    try:
        with wave.open(temp_filename, 'wb') as wf:
            channels = chunk.shape[1] if chunk.ndim > 1 else 1
            wf.setnchannels(channels)
            wf.setsampwidth(2)  # 2 bytes para int16
            wf.setframerate(SAMPLE_RATE)
            wf.writeframes(chunk_int16.tobytes())
    except Exception as e:
        print("Error al guardar el archivo temporal:", e)
        return

    # Registrar el timestamp de inicio del fragmento
    chunk_start_time = datetime.datetime.now()

    # ----------------- Transcripción con Whisper -----------------
    try:
        if TARGET_LANGUAGE is not None:
            result_whisper = model.transcribe(temp_filename, language=TARGET_LANGUAGE)
        else:
            result_whisper = model.transcribe(temp_filename)
        text_whisper = result_whisper["text"].strip()
    except Exception as e:
        text_whisper = f"[Error transcribiendo con Whisper: {e}]"

    # ----------------- Transcripción con Google Speech-to-Text -----------------
    r = sr.Recognizer()
    try:
        with sr.AudioFile(temp_filename) as source:
            audio_data = r.record(source)
        text_google = r.recognize_google(audio_data, language=google_language)
    except Exception as e:
        text_google = f"[Error transcribiendo con Google: {e}]"

    # Formatear el timestamp
    timestamp_str = chunk_start_time.strftime("%Y-%m-%d %H:%M:%S")
    # Preparar la línea de transcripción (sin identificación de narrador)
    transcript_line = (f"[{timestamp_str}] Whisper: {text_whisper}\n"
                       f"[{timestamp_str}] Google: {text_google}\n")
    print(transcript_line)
    with open(transcription_file, "a", encoding="utf-8") as f:
        f.write(transcript_line)
    
    # Eliminar el archivo temporal
    os.remove(temp_filename)

# ================== EJECUCIÓN PRINCIPAL ==================
if __name__ == "__main__":
    # Preguntar al usuario el código de idioma para Google Speech-to-Text.
    google_language = input("Ingrese el código de idioma para Google Speech-to-Text (ej: es-ES, en-US, ca-ES, enter para es-ES): ").strip()
    if not google_language:
        google_language = "es-ES"  # Valor por defecto si no se ingresa nada

    # Iniciar el hilo de procesamiento en segundo plano
    processing_thread = threading.Thread(target=process_audio, daemon=True)
    processing_thread.start()
    
    try:
        # Nota: En Windows, para capturar el audio del sistema puede ser necesario configurar el dispositivo WASAPI loopback.
        with sd.InputStream(samplerate=SAMPLE_RATE, channels=1, callback=audio_callback):
            print("Capturando audio... Presiona Ctrl+C para detener.")
            while True:
                time.sleep(0.1)
    except KeyboardInterrupt:
        print("Interrupción del usuario. Finalizando ejecución...")
    except Exception as e:
        print("Error:", e)