No więc, Voice Chaser. Zbudowałem to cudo, bo pracuję ekstremalnie dużo z mową i dzięki temu oszczędzam masę roboty, przede wszystkim pisania. Podstawowy pomysł był taki: mówię do mikrofonu, a transkrypcja jest wpisywana dokładnie tam, gdzie mam kursor.
Zaczęło się od tego, że chciałem mieć to jako główną funkcję, a potem doszła możliwość wpięcia do trzech oddzielnych AI pomiędzy procesy. W zależności od tego, jaki prompt zastosuję dla poszczególnych etapów AI, tekst ulega zmianie. Często to po prostu zabawa w zmienianie stylu – albo nadaję mu inspirujący ton, albo używam staroświeckiego słownictwa. Ale bardzo często służy to do tłumaczeń: coś nagrywam, punkt 1: tekst jest wstępnie przetłumaczony, potem przechodzi korektę i finalnie pojawia się tam, gdzie aktualnie znajduje się mój kursor.
Kolejną funkcją było zapisywanie głównych plików audio – u mnie na NAS. W ten sposób powstał zbiór danych przekraczający 63 godziny. Po destylacji stał się on praktycznie datasetem dla MuckyTTS. Co więcej, system zawiera mój RAM-Diskhandler; w zasadzie program, który na podstawie moich plików konfiguracyjnych ładuje potrzebne modele AI oraz wszystko inne bezpośrednio na RAM-disk.
Jak już wspomniałem, Voice Chaser to moje podstawowe narzędzie, którego używam praktycznie cały czas. Swoją drogą, ten tekst również powstaje w ten sposób. Poza tym Voice Chaser oferuje możliwość przypisania slotu AI-4 dla oddzielnej sztucznej inteligencji, która jest dostępna przez API. A co mamy jeszcze? No cóż, całą resztę zaplecza technicznego możecie sobie chętnie obejrzeć w kodzie źródłowym. Jeśli macie jakieś pytania, śmiało walcie.
No i ponieważ jestem takim wariatem i mam w swoim setupie więcej niż cztery monitory, znalazłem w szafie starą GTX 1050 z 2 GB VRAM. Nie miałem nic lepszego do roboty, więc postanowiłem "zniewolić" tę małą kartę graficzną, żeby służyła mi jako fallback dla Voice Chasera. Jeśli duża 3090 jest akurat zajęta, następuje automatyczne przełączenie na małą kartę, na której działa "Whisper Small" lub to, co jest aktualnie modne i co uważam za świetne.
Dodatkowo cały system posiada funkcję streamingu, dzięki czemu nie muszę za każdym razem naciskać przycisku. Przy okazji, wykorzystałem starą klawiaturę USB, którą kupiłem za jakieś 8 euro na Amazonie, żeby zbudować z niej coś w rodzaju Stream Deck Lite. Zmoddowałem tę klawiaturę tak, aby przypisać do niej klawisze, którymi teraz startuję i kończę dyktowanie, tak jak robię to w tej chwili. Czyli: naciskam przycisk, gadam, naciskam przycisk, krótka chwila czekania i tekst pojawia się dokładnie w pozycji kursora.
I właśnie tam przypisałem przycisk streamingu. Gdy mam aktywny stream, mogę gadać bez przerwy, a tekst przechodzi przez cały łańcuch i w pewnym momencie pojawia się przy kursorze. I to działa również z podpiętymi systemami AI.
Gallery




