So, der Voice Chaser. Das Ding habe ich mir gebaut, weil ich extrem viel mit Sprache arbeite und mir dadurch quasi einen Haufen Arbeit spare, vor allem das Tippen. Die Grundidee war: Ich spreche ins Mikrofon rein und bekomme die Transkription quasi an die Cursor-Position getippt.
Das fing eigentlich damit an, dass ich das als Hauptfunktion haben wollte, und dann kam die Möglichkeit dazu, bis zu drei einzelne KIs dazwischenzuschalten. Je nachdem, was ich für die einzelnen KI-Stages als Prompt einsetze, wird der Text verändert. Meistens ist es dann auch Spaß, irgendwie den Stil zu verändern – entweder ihn inspirierend zu gestalten oder eine altertümliche Ausdrucksweise zu nutzen. Aber sehr oft dient es auch der Übersetzung: Ich spreche was rein, Punkt 1: Der Text wird grob übersetzt, dann wird er noch mal lektoriert und dann kommt er wieder an der Stelle raus, wo mein Cursor gerade ist.
Die nächste Funktion war, dass die Haupt-Sprachdateien abgespeichert werden – bei mir auf dem NAS. Darüber ist ein über 63 Stunden großes Dataset entstanden. Nach dessen Destillierung ist es quasi das Dataset für MuckyTTS. Des Weiteren beinhaltet das System noch meinen RAM-Diskhandler; eigentlich ein Programm, das mir anhand meiner Config-Dateien die benötigten KI-Modelle schon in die RAM-Disk und alles weitere dazu hochlädt.
Wie gesagt, der Voice Chaser ist mein primäres Werkzeug, das ich quasi jederzeit benutze. Übrigens entsteht auch dieser Text hier dadurch. Und ansonsten beinhaltet der Voice Chaser noch die Möglichkeit, den KI-4-Slot für eine separate KI zu belegen, die dann via API erreichbar ist. Und was haben wir denn noch alles? Na, den ganzen Unterbau-Kram dazu könnt ihr euch gerne mal im Quellcode ansehen. Wenn ihr noch Fragen dazu habt, könnt ihr sie gerne raushauen.
So, da ich ja so ein Wahnsinniger bin und mehr als vier Monitore in meinem Setup habe, habe ich noch bei mir im Schrank eine alte GTX 1050 mit 2 GB VRAM gefunden. Und ich hatte nichts Besseres zu tun, als diese kleine Grafikkarte dazu zu missbrauchen, dass sie mir den Fallback für den Voice Chaser zur Verfügung stellt. Sollte die große 3090 gerade beschäftigt sein, gibt es einen automatischen Fallback auf die kleine Karte, und dort läuft ein "Whisper Small" oder das, was gerade aktuell ist und ich für toll finde.
Zusätzlich hat das ganze System noch eine Stream-Funktion, sodass ich nicht jedes Mal den Knopf drücken muss. Übrigens habe ich ein altes USB-Keypad, das ich für 8 Euro oder so auf Amazon gekauft habe, dazu missbraucht, um daraus quasi ein Stream Deck Lite zu bauen. Ich habe dieses USB-Keypad so umgemoddet, dass dort meine Tasten laufen, mit denen ich jetzt hier das Diktat, wie ich es gerade habe, starte und wieder beende. Also: Knopf drücken, reinlabern, Knopf drücken, kurz warten, Text erscheint genau an der Cursor-Position.
Und dorthin habe ich halt auch den Stream-Knopf gelegt. Wenn ich den Stream aktiv habe, kann ich ohne Punkt und Komma labern, dann durchläuft das die gesamte Kette und kommt irgendwann an der Cursor-Position raus. Und das funktioniert auch mit den nachgeschalteten KI-Systemen.
Galerie




