Kani, ang Voice Chaser. Gihimo nako ni kay grabe ko ka-gamit og voice ug tungod ani, nakadaginot gyud ko og daghan kaayong trabaho, labi na ang pag-type. Ang main idea kay: mosulti ko sa microphone unya ang transcription i-type gyud diretso sa cursor position.
Nagsugod ni sa gusto nako nga mao ni ang main function, unya nadugangan pud ang option nga naay hangtod tulo ka separate nga AI sa tunga. Depende sa prompt nga akong gamiton para sa matag AI stage, mausab ang text. Kasagaran, lingaw pud ni nga usbon ang style – pwedeng himuon nga inspiring o kaha mogamit og karaan nga pamaagi sa pagsulti. Pero kasagaran gyud gamiton ni para sa translation: mosulti ko, Point 1: i-translate ang text sa rough way, unya i-proofread pa gyud, ug dayon mogawas na siya sa dapit kung asa ang akong cursor.
Ang sunod nga function kay ang pag-save sa main audio files – sa akoa, naa ni sa akong NAS. Tungod ani, nakahimo ko og dataset nga sobra sa 63 ka oras. Human sa distillation, mao na ni ang nahimong dataset para sa MuckyTTS. Gawas ana, ang system naay RAM-diskhandler pud; basically usa ka program nga mo-upload sa mga gikinahanglan nga AI models sa RAM-disk ug uban pa base sa akong config files.
Sama sa giingon nako, ang Voice Chaser ang akong primary tool nga ginagamit nako bisan kanus-a. By the way, kani nga text gihimo pud gamit ani. Ug gawas pa ana, ang Voice Chaser naay option nga i-assign ang AI-4 slot para sa separate nga AI nga ma-access via API. Unsa pa man ang naa? Well, ang tanang under-the-hood nga stuff, pwede ninyo tan-awon sa source code. Kung naa moy mga pangutana, i-drop lang.
Karon, tungod kay buang-buang man ko ug sobra sa upat ka monitors ang akong setup, nakakita ko og karaan nga GTX 1050 nga naay 2 GB VRAM sa akong cabinet. Ug wala koy mas maayong buhaton, so akong gi-misuse kani nga gamay nga graphics card para mahimong fallback sa Voice Chaser. Kung busy ang dako nga 3090, automatic nga mo-fallback sa gamay nga card, ug didto nag-run ang "Whisper Small" o kung unsa man ang latest nga nindot para nako.
Dugang pa, ang tibuok system naay stream function, para dili ko sige og pislit sa button. By the way, naa koy karaan nga USB keypad nga napalit nako sa Amazon og mga 8 Euro, ug akong gi-misuse ni para himuong Stream Deck Lite. Gi-mod nako ni nga USB keypad para didto na ang akong mga keys nga gigamit karon sa pag-start ug pag-stop sa dictation. So: pislit sa button, sulti, pislit sa button, huwat kadiyot, unya ang text mogawas gyud sa cursor position.
Ug didto pud nako gibutang ang stream button. Kung active ang stream, pwede ko magsulti og sige-sige nga walay hunong, unya moagi na sa tibuok chain ug mogawas ra gihapon sa cursor position. Ug functional pud ni uban sa mga AI systems nga naka-connect sa tumoy.
Gallery




