feat: Add gemini_transcribe.py for high quality audio transcription using Gemini API

gemini_transcribe.py

@@ -0,0 +1,101 @@
+#!/usr/bin/env python3
+import os
+import sys
+import time
+import google.generativeai as genai
+
+# Config API key
+API_KEY = os.getenv("GOOGLE_API_KEY", "AIzaSyD09NxPpyTk4RZLGqE6dFzJwNxhawRAegc")
+genai.configure(api_key=API_KEY)
+
+BOT_TOKEN = "8725618164:AAH1tGalq-pw1l0t4P5c0sdLkCVJdh7IE7M"
+CHAT_ID = "197957361"
+
+def send_tg(msg):
+    import urllib.parse
+    import urllib.request
+    try:
+        url = f"https://api.telegram.org/bot{BOT_TOKEN}/sendMessage"
+        data = urllib.parse.urlencode({"chat_id": CHAT_ID, "text": msg, "parse_mode": "markdown"}).encode("utf-8")
+        req = urllib.request.Request(url, data=data)
+        urllib.request.urlopen(req, timeout=15)
+    except Exception as e:
+        print(f"Failed to send Telegram message: {e}")
+
+def transcribe_audio(audio_path, output_prefix, model_name="gemini-1.5-pro"):
+    if not os.path.exists(audio_path):
+        print(f"Error: File not found: {audio_path}")
+        sys.exit(1)
+        
+    size_mb = os.path.getsize(audio_path) / (1024 * 1024)
+    print(f"File size: {size_mb:.2f} MB")
+    
+    send_tg(f"🎙 **Транскрибация аудио через Gemini:**\nФайл: `{os.path.basename(audio_path)}` ({size_mb:.1f} MB)\nМодель: `{model_name}`\n\n*Запуск выгрузки в Google API...*")
+    
+    # 1. Upload file
+    print(f"Uploading {audio_path} to Google Gemini File API...")
+    audio_file = genai.upload_file(path=audio_path)
+    print(f"File uploaded successfully! API Name: {audio_file.name}")
+    
+    # 2. Wait for processing
+    start_time = time.time()
+    while audio_file.state.name == "PROCESSING":
+        print("File is processing on Google servers... waiting 10s")
+        time.sleep(10)
+        audio_file = genai.get_file(name=audio_file.name)
+        
+    if audio_file.state.name == "FAILED":
+        send_tg("❌ **Ошибка**: Обработка аудиофайла на сервере Google завершилась неудачей.")
+        raise ValueError("Audio processing failed on Google servers.")
+        
+    print("Audio file is active and ready!")
+    send_tg("⚡️ **Аудиофайл готов к обработке.** Запускаю генерацию текста в Gemini (это может занять до 2-3 минут)...")
+    
+    # 3. Transcribe with model
+    model = genai.GenerativeModel(model_name)
+    prompt = (
+        "Сделай максимально точную расшифровку (транскрибацию) этой аудиозаписи на русском языке. "
+        "Пожалуйста, проанализируй голоса и разделяй речь по спикерам (например: 'Спикер 1:', 'Спикер 2:'), если говорят разные люди. "
+        "Обязательно расставляй таймкоды реплик или таймкоды каждые 1-2 минуты (например, [04:12]). "
+        "Оформи результат в красивом и удобном Markdown-формате с заголовками, абзацами и выделением ключевых моментов."
+    )
+    
+    try:
+        response = model.generate_content([audio_file, prompt])
+        transcript_text = response.text
+        
+        # Save MD file
+        md_file = f"{output_prefix}.md"
+        with open(md_file, "w", encoding="utf-8") as f:
+            f.write(transcript_text)
+            
+        # Save plain text copy
+        txt_file = f"{output_prefix}.txt"
+        with open(txt_file, "w", encoding="utf-8") as f:
+            f.write(transcript_text)
+            
+        elapsed = time.time() - start_time
+        print(f"Success! Unpacked in {elapsed:.1f}s")
+        
+        send_tg(f"✅ **Расшифровка завершена!**\nПродолжительность операции: {elapsed/60:.1f} мин\n\nРезультаты сохранены в:\n- `{md_file}`\n- `{txt_file}`")
+        
+    except Exception as e:
+        print(f"Error during transcription generation: {e}")
+        send_tg(f"❌ **Ошибка во время генерации текста:**\n`{e}`")
+        
+    finally:
+        # Delete remote file from Google storage
+        print("Cleaning up file from Google storage...")
+        genai.delete_file(name=audio_file.name)
+        print("Cleanup done.")
+
+if __name__ == "__main__":
+    if len(sys.argv) < 3:
+        print("Usage: python3 gemini_transcribe.py <audio_path> <output_prefix_path> [model_name]")
+        sys.exit(1)
+        
+    audio_path = sys.argv[1]
+    output_prefix = sys.argv[2]
+    model_name = sys.argv[3] if len(sys.argv) > 3 else "gemini-1.5-pro"
+    
+    transcribe_audio(audio_path, output_prefix, model_name)