from huggingface_hub import snapshot_download
import whisper
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
import torch

# تحميل الموديلات
repo_id = "meem2525/video-dubbing-models"
local_dir = snapshot_download(repo_id, cache_dir="./models")

# Whisper
whisper_model = whisper.load_model("medium", download_root=f"{local_dir}/whisper")

# NLLB
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(f"{local_dir}/nllb")
translator = AutoModelForSeq2SeqLM.from_pretrained(f"{local_dir}/nllb").to(device)

print("✅ جاهز للاستخدام!")

مثال كامل:

python

# 1. تفريغ الصوت
result = whisper_model.transcribe("audio.mp3", language="en")
text = result["text"]

# 2. ترجمة
tokenizer.src_lang = "eng_Latn"
inputs = tokenizer(text, return_tensors="pt").to(device)
outputs = translator.generate(
    **inputs,
    forced_bos_token_id=tokenizer.lang_code_to_id["ara_Arab"]
)
translated = tokenizer.decode(outputs[0], skip_special_tokens=True)

print(f"Original: {text}")
print(f"Translated: {translated}")

🌐 اللغات المدعومة

العربية 🇸🇦 • الإنجليزية 🇬🇧 • الإسبانية 🇪🇸 • الفرنسية 🇫🇷 • الألمانية 🇩🇪 • الإيطالية 🇮🇹 • التركية 🇹🇷 • الروسية 🇷🇺 • الصينية 🇨🇳 • اليابانية 🇯🇵 • الكورية 🇰🇷 • البرتغالية 🇧🇷 • الهندية 🇮🇳

📊 المتطلبات

pip install transformers torch torchaudio openai-whisper huggingface_hub

💻 متطلبات النظام

الذاكرة: 8GB RAM (16GB موصى)
GPU: اختياري (يسرّع المعالجة 10x)
المساحة: ~4GB للموديلات

🔧 الأداء

المهمة	CPU	GPU (T4)
تفريغ دقيقة صوت	~30s	~5s
ترجمة 100 كلمة	~2s	~0.3s

📄 الترخيص

MIT License - استخدام حر للأغراض التجارية وغير التجارية

🙏 الشكر

OpenAI Whisper Team
Meta NLLB Team
Hugging Face Community

📞 الدعم

للإبلاغ عن مشاكل أو اقتراحات: GitHub Issues

تم الإنشاء بـ ❤️ لخدمة المحتوى العربي

تاريخ الرفع: 2026-01-17