【开源】按住说话-Windows平台语音输入转文本小工具(5MB)(qwen-asr-flash/doubao驱动,支持自定义润色)

这个是个独立的软件,支持自定义按键去转录,同时也支持一个AI问答模式,你能够通过AI问答,去提问或者是改写当前的问题

okok 我试试

请教一下,同样是语音识别输入,同样是用豆包ASR。有的软件延迟就比较高,你这个控制的这么好,核心区别在哪里?
还有像Typeless这种语义理解,是不是端侧有个非常非常小的本地模型在处理?不然的话,感觉延迟会更大?还是所有都在云端完成的?只要处于长按录音状态,就在实时分析处理吧?
你说TypeLess它背后的ASR模型是它自研的,还是说用OpenAI的Transcribe 4o这类的。

其实不太了解他们做了啥。。一开始我的延迟也比较高,后来把录音的格式调整了,调整成了最适合 ASR 模型的录音格式,然后整体的录音总体积小了非常多。此时录音的效果就非常非常快。
其实 Typeless 也不是特别快吧,只是给你的视觉上的感受会比较快。在我的场景中,如果你开启了流式的模式,实际上会 实时给模型传递音频,这时候整体的耗时肯定会低一点,你可以使用qwen的流式试试说一大段文本。
TypeLess感觉大概率不是自研的 ASR 模型,不然肯定会秀肌肉,说自家模型在各个方面的准确率会多好多好。大概率就是微调了市面上的某个模型。然后最重要的是它的提示词应该真的写得很好。然后提示词这块,其实我看wisper flow官网给了对应场景他的一个智能调整格式的策略,其实就很像typeless的了。不过我随手撸的一版提示词,感觉有一点 bug,可能需要我再调一调,然后再分享给大家

1 Like

感谢大佬分享。qwen的识别精度也是相当牛,可惜不自动添加标点。 :bili_001:

而且千问的收费其实也真的很便宜 :rofl: 看看能不能整出像typeless一样的提示词。
刚刚提到的wisper flow的文档: Smart Formatting & Backtrack

1 Like

wow爆炸,真的快的不是一点半点。该条评论就是由您的软件去发送的

哈哈哈哈~体验愉快!也欢迎多帮忙安利下~最后记得star!!!

1 Like

转录失败: 豆包 ASR 失败 (45000030): [resource_id=volc.bigasr.auc_turbo] requested resource not granted
老哥 用豆包ASR会报错,我看了下APPID和access token都是对的

说明你的资源包开的不对,你可以看看我文档内的指导,有关于豆包的部分
Docs

豆包比较离谱的是需要你开通两次资源。实时的和录音文件的都需要,可以再核对一下,是不是都开通了?然后开通的对不对

我知道了,我没开通录音文件的 :rofl: 我以为是2个选其中一个开通就行

1 Like

好用记得star!!!

1 Like

已star

佬友的飞书使用教程里开通HTTP和开通实时流的链接是一样的。如果完全按照教程去弄,肯定会出现这个ASR失败的错误的。所以完全按照教程去弄的话,只会开通一个包就会出现这个 ASR 失败

必须 star 呀

我完善飞书的文档哈~谢谢提醒

1 Like

嘻嘻嘻我还头疼了一段时间呢,完全按照使用教程来弄怎么会出错,还好翻评论有人和我遇到了一样的问题并且佬友还特意说了看github有俩资源包地址

1 Like

已经特殊在文档内加标识标出来了。以后的佬友就不会有这个问题了

1 Like

已经支持个人词库功能以及在轻微语音环境下的语音增强功能,欢迎大家可以再去试一试,我感觉这个个人词库功能比 typeless的好用

2 Likes