Tavaly botlottam bele hasonlo esetbe...
Siket ismerosnek raktam ossze egy youtube feliratozot. A fizetos opciok kiestek a szankciok miatt.

Round 1.
YT fut fel kepernyon, masik felen G translate audio routolva a mikrofonba Voicemeeter-rel.
-max 10-15 perc mukodes, altalaban rovidebb
-barmit csinaltam a gepen, ha translate elvesztette a fokuszt megallt...
Round 2.
https://www.speechtexter.com/ , szinten G S2T api.
-out of focus mukodik
-teszteltem egy oras videoval, no problem
-szerencsetlen kollega szemei maratont futottak a video es a szoveg kozott... lehetne ennel jobb, talan a sajat gepen is tudna hasznalni...
Round 3.
Egy ocso' linux vps leporol.
. web formon user postolja a youtub linket
.. yt-dlp letolti az audiotracket a videorol
... autosub megcsinalja a feliratot
.... visszaadja a videot egy iframe-ben, rahuzva az .srt feliratot
Python webserver, cron job figyel a taskokra, email kuld ha kesz a felirat... igazi sufnituning :)
-meg mindig csak egy blob of text barmifele irasjelek nelkul

Ami ebbol erdekelhet az az autosub, G S2T-et hasznalja, audiofile bemenet, srt vagy json kimenet.
https://github.com/agermanidis/autosub
Win install guide (nem hasznaltam meg): https://github.com/agermanidis/autosub/issues/31

Round 4.
Rajossz hogy feltalaltad a spanyolviaszt...
Az openai Whisper thingy mar pontosabban es irasjelekkel egyutt kopi ki a szoveget.
https://github.com/openai/whisper

Ha nincs egy izmosabb nvidia kartyad:
https://huggingface.co/spaces/RASMUS/Whisper-youtube-crosslingual-subtitles
vagy
https://colab.research.google.com/drive/1WLYoBvA3YNKQ0X2lC9udUOmjK7rZgAwr?usp=sharing
valasszad a large vagy medium modelleket... base model neha nehezen birkozik a magyarral.