Sistema completo de detección de highlights con VLM y análisis de gameplay

- Implementación de detector híbrido (Whisper + Chat + Audio + VLM)
- Sistema de detección de gameplay real vs hablando
- Scene detection con FFmpeg
- Soporte para RTX 3050 y RX 6800 XT
- Guía completa en 6800xt.md para próxima IA
- Scripts de filtrado visual y análisis de contexto
- Pipeline automatizado de generación de videos

transcribe_with_whisper.py

@@ -0,0 +1,55 @@
+#!/usr/bin/env python3
+"""
+Transcribe el audio del stream usando Whisper.
+"""
+import sys
+import json
+import logging
+import whisper
+import numpy as np
+from pathlib import Path
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def transcribe_video(video_path, model_size="base", output_json="transcripcion.json", device="cuda"):
+    """
+    Transcribe el video usando Whisper y guarda el resultado con timestamps.
+    """
+    logger.info(f"Cargando modelo Whisper ({model_size}) en {device}...")
+    model = whisper.load_model(model_size, device=device)
+
+    logger.info(f"Transcribiendo video: {video_path}")
+    result = model.transcribe(
+        video_path,
+        language="es",  # Español (es el streamer de xokas)
+        task="transcribe",
+        word_timestamps=True,  # Importante: timestamps por palabra
+        verbose=False
+    )
+
+    # Guardar transcripción completa
+    with open(output_json, 'w', encoding='utf-8') as f:
+        json.dump(result, f, ensure_ascii=False, indent=2)
+
+    logger.info(f"Transcripción guardada en {output_json}")
+
+    # Imprimir resumen
+    duration = result.get("segments", [])[-1]["end"] if result.get("segments") else 0
+    logger.info(f"Duración transcrita: {duration:.1f}s ({duration/60:.1f} min)")
+    logger.info(f"Texto: {len(result.get('text', ''))} caracteres")
+
+    return result
+
+def main():
+    import argparse
+    parser = argparse.ArgumentParser()
+    parser.add_argument("--video", required=True)
+    parser.add_argument("--output", default="transcripcion.json")
+    parser.add_argument("--model", default="base", choices=["tiny", "base", "small", "medium", "large"])
+    args = parser.parse_args()
+
+    transcribe_video(args.video, args.model, args.output)
+
+if __name__ == "__main__":
+    main()