Resum de vídeos de JLCava - Historial de revisió

Joan: /* Enviar mail (SMTP Gmail) */

2026-11-13T22:52:03Z

Enviar mail (SMTP Gmail)

Joan: /* Enviar mail (SMTP Gmail) */

2026-11-13T22:43:37Z

Enviar mail (SMTP Gmail)

Joan: /* TODO */

2026-11-13T22:43:11Z

TODO

Joan: /* Execució */

2026-11-13T19:51:46Z

Execució

Joan: /* Execució */

2026-11-13T19:50:37Z

Execució

Joan: /* Introducció */

2026-11-13T19:50:15Z

Introducció

Joan: /* Execució */

2026-11-13T19:49:21Z

Execució

Joan a 19:47, 13 nov 2026

2026-11-13T19:47:12Z

Joan: Es crea la pàgina amb «* https://claude.ai/chat/ef44402c-1808-43d9-838c-33285d3b99a6 Com funciona cada pas * Vídeo: fa servir yt-dlp i agafa l’últim vídeo del canal que encara no hagi...».

2026-11-13T19:46:32Z

Es crea la pàgina amb «* https://claude.ai/chat/ef44402c-1808-43d9-838c-33285d3b99a6 Com funciona cada pas * Vídeo: fa servir yt-dlp i agafa l’últim vídeo del canal que encara no hagi...».

Pàgina nova

* https://claude.ai/chat/ef44402c-1808-43d9-838c-33285d3b99a6

Com funciona cada pas

* Vídeo: fa servir yt-dlp i agafa l’últim vídeo del canal que encara no hagi processat. Guarda els ja fets a processats.json, així no repeteix res encara que l’executis dues vegades.
* Transcripció: fa servir faster-whisper si el tens instal·lat, i si no, openai-whisper, amb el model large-v3-turbo forçat a castellà. En acabar allibera la VRAM.
* Resum: crida l’API d’Ollama i després li demana que descarregui el model (keep_alive: 0). Així Whisper i el LLM no comparteixen mai els 16 GB. Si el vídeo és molt llarg, primer fa resums parcials per trossos i després els uneix en un de sol.
* TTS: fa servir Piper amb la veu es_ES-davefx-medium. Funciona amb CPU, és ràpid i té un castellà prou natural. Treu el format markdown abans de llegir el text.
* Correu: ja hi és, però està desactivat (ENVIAR_CORREU = False).

El directori del projecte:
<pre>
mkdir jlcava
cd jlcava
</pre>

ara bé, el whisper està en un altre directori, i en aquest directori del whisper hi ha un venv.

===Ollama===
pregunta: el ollama suposo que l'he de tenir encès en un altre terminal?
Resposta: No cal, en principi. Normalment Ollama ja funciona com a servei en segon pla i el script s’hi connecta sol a http://localhost:11434. Linux: l’instal·lador oficial crea un servei systemd que s’engega sol. Pots comprovar-ho amb systemctl status ollama.

he de canviar el script per un model que tingui descarregat (''ollama list''). D'entrada, faré servir ''qwen3.5:9b ''

===Whisper===
He de tenir el whisper activat. I puc aprofitar aquest entorn venv per utilitzar el yt-dlp que em permet descarregar vídeos del youtube.

<pre>
source model-whisper/whisper-env/bin/activate # Linux
# source model-whisper/whisper-env/Scripts/activate # si és Windows amb Git Bash
pip install -U yt-dlp piper-tts
</pre>
<pre>
pip list | grep -i whisper
</pre>
* Si surt faster-whisper, el script fa servir el model large-v3-turbo.
* Si surt openai-whisper, fa servir turbo. -> aquest és el que faig servir

A l'executar el script *cava_resum.py* surt un error d'incompatibilitat de llibreries

La versió de faster-whisper que tens fa servir una opció de PyAV (la llibreria que llegeix l’àudio) que la versió de PyAV que tens instal·lada ja no accepta. Ho he arreglat al script: ara l’àudio el descodifica ffmpeg i a Whisper li arriba ja preparat, així que PyAV no hi intervé. Substitueix el teu cava_resum.py per la versió nova que t’he enviat.

L’avís de “JavaScript runtime”: Ara mateix no fa fallar res, però yt-dlp avisa que aviat necessitarà Deno per descarregar de YouTube. De moment no ho faig, però en el Claude ss'explica com fer-ho.

Un altre error: RuntimeError: Library libcublas.so.12 is not found or cannot be loaded

<pre>
/home/joan/model-whisper/whisper-env/bin/pip install nvidia-cublas-cu12 "nvidia-cudnn-cu12==9.*"
</pre>

===veus (la part de TTS)===
El resum ja s’ha fet. El trobaràs a sortida/2026-11-12_<id>/2026-11-12_Cava_resumen.md. Ara falla l’últim pas, el de generar l’àudio, perquè no tens descarregada la veu de Piper.

Cada veu de Piper són dos fitxers, el .onnx i el .onnx.json, i tots dos han d’estar a la carpeta veus/. Descarrega’ls així:

<pre>
mkdir -p /home/joan/jlcava/veus && cd /home/joan/jlcava/veus
wget https://huggingface.co/rhasspy/piper-voices/resolve/main/es/es_ES/davefx/medium/es_ES-davefx-medium.onnx
wget https://huggingface.co/rhasspy/piper-voices/resolve/main/es/es_ES/davefx/medium/es_
</pre>
===Execució===
Finalment ja funciona:
<pre>
/home/joan/model-whisper/whisper-env/bin/python /home/joan/jlcava/cava_resum.py
</pre>
És a dir, el directori del projecte és */home/joan/jlcava*, però necessito executar-ho amb la versió de python que hi ha en el projecte */home/joan/model-whisper*, on també he instal·lat la funcionalitat de descarregar vídeos del youtube.

{{Autor}}, novembre 2026

@@ Línia 94: / Línia 94: @@
 </pre>
-* amagar el password
+Per tal d'amagar el password, en comptes de tenir el fitxer *smtp_password.txt*, el copiem a una carpeta oculta, i la v4 del script accedeix a aquest fitxer.
 {{Autor}}, novembre 2026

@@ Línia 86: / Línia 86: @@
 ===Enviar mail (SMTP Gmail)===
 En el fitxer *smtp_password.txt* no s'ha de posar el password del Gmail, sinó un password d'aplicació (16 lletres). En el tutorial del Claude s'explica com fer-ho. Jo he creat un password d'aplicació que es diu *enviar_gmail*.
 * amagar el password
 {{Autor}}, novembre 2026

@@ Línia 84: / Línia 84: @@
 </pre>
-===TODO===
+===Enviar mail (SMTP Gmail)===
 * amagar el password
 {{Autor}}, novembre 2026

@@ Línia 69: / Línia 69: @@
 </pre>
 És a dir, el directori del projecte és */home/joan/jlcava*, però necessito executar-ho amb la versió de python que hi ha en el projecte */home/joan/model-whisper*, on també he instal·lat la funcionalitat de descarregar vídeos del youtube.
 ===TODO===

← Versió més antiga		Revisió del 19:47, 13 nov 2026
Línia 1:		Línia 1:
		+	__TOC__
		+	===Introducció===
	* https://claude.ai/chat/ef44402c-1808-43d9-838c-33285d3b99a6		* https://claude.ai/chat/ef44402c-1808-43d9-838c-33285d3b99a6

@@ Línia 9: / Línia 9: @@
 * Resum: crida l’API d’Ollama i després li demana que descarregui el model (keep_alive: 0). Així Whisper i el LLM no comparteixen mai els 16 GB. Si el vídeo és molt llarg, primer fa resums parcials per trossos i després els uneix en un de sol.
 * TTS: fa servir Piper amb la veu es_ES-davefx-medium. Funciona amb CPU, és ràpid i té un castellà prou natural. Treu el format markdown abans de llegir el text.
-* Correu: ja hi és, però està desactivat (ENVIAR_CORREU = False).
+* Correu: ja hi és, però està desactivat (ENVIAR_CORREU = False) -> ho canvio a True, i funciona.
 El directori del projecte: