MUCKYWORX // PROJECT
Voice Chaser
PROJECT

Voice Chaser

僕にとって絶対的に最も重要なツール、それがVoice Chaserだ。これがないと、正直言って仕事が全く進まない。

さて、Voice Chaserについて。これを自作したのは、僕がめちゃくちゃ音声入力を多用するからで、おかげで大量の作業、特にタイピングの手間をほぼゼロにできた。基本コンセプトはシンプルだ。マイクに向かって喋ると、その文字起こし結果がカーソル位置にそのまま入力される。

最初はそれをメイン機能にしたかっただけなんだが、そこに最大3つの個別のAIを間に挟める機能を追加した。それぞれのAIステージにどんなプロンプトを設定するかで、テキストの内容を変化させられる。スタイルを変えて遊ぶことも多いね。インスピレーションを刺激する書き方にしたり、古風な言い回しにしたり。でも、一番よく使うのは翻訳だ。何かを喋ると、ステップ1で大まかに翻訳され、次に校正され、そしてカーソルがある位置にテキストが出力される。

次の機能は、メインの音声ファイルを保存すること。僕の場合はNASに保存している。これで63時間分を超えるデータセットが出来上がった。それを蒸留(ディスティレーション)して、MuckyTTSのデータセットにしたわけだ。さらに、このシステムにはRAM-Diskhandlerも組み込んである。設定ファイルに基づいて、必要なAIモデルや関連ファイルをあらかじめRAMディスクにロードしてくれるプログラムだ。

繰り返しになるが、Voice Chaserは僕がいつでも使っているメインツールだ。ちなみに、今この文章を書いているのもこれを使っている。それから、AIの4番目のスロットには、API経由でアクセスできる別のAIを割り当てることもできる。他には何があるかって?まあ、基盤となる細かい仕組みについては、ぜひソースコードを見てくれ。質問があれば遠慮なくどうぞ。

あと、僕は狂ってるからセットアップにモニターを4枚以上使っているんだが、棚の中にVRAM 2GBの古いGTX 1050を見つけた。で、暇だったから、この小さなグラボをVoice Chaserのフォールバック用に転用することにした。メインの3090が忙しい時は、自動的にこの小型カードに切り替わり、そこで「Whisper Small」か、その時々に僕が最高だと思う最新モデルが動作する仕組みだ。

さらに、システム全体にストリーム機能を持たせたので、毎回ボタンを押す必要もない。ちなみに、Amazonで8ユーロくらいで買った古いUSBキーパッドを改造して、簡易的なStream Deck Liteにした。このキーパッドをモディファイして、今こうして口述筆記を開始したり終了したりするためのボタンを割り当てている。つまり、「ボタンを押す」→「喋る」→「ボタンを押す」→「少し待つ」→「カーソル位置にテキストが出現」という流れだ。

そこにストリームボタンも配置した。ストリームを有効にすれば、句読点を気にせず喋りっぱなしにでき、それが一連のチェーンを通り抜けて、最終的にカーソル位置に出力される。もちろん、後段に繋げたAIシステムを通した状態でも機能する。