Então, o Voice Chaser. Eu construí isso porque trabalho intensamente com voz e, com isso, economizo praticamente uma montanha de trabalho, principalmente a digitação. A ideia básica era: eu falo no microfone e a transcrição é digitada quase que instantaneamente na posição do cursor.
Isso começou com o fato de que eu queria isso como função principal, e então surgiu a possibilidade de intercalar até três IAs individuais. Dependendo do prompt que eu uso para cada estágio de IA, o texto é alterado. Na maioria das vezes, é divertido mudar o estilo — seja para torná-lo inspirador ou usar uma forma de expressão arcaica. Mas, com muita frequência, serve para tradução: eu falo algo, ponto 1: o texto é traduzido grosseiramente, depois é revisado e então ele sai exatamente onde o meu cursor está.
A função seguinte foi salvar os arquivos de voz principais — no meu caso, no NAS. Com isso, surgiu um dataset de mais de 63 horas. Após a destilação, ele se tornou praticamente o dataset para o MuckyTTS. Além disso, o sistema ainda inclui o meu RAM-Diskhandler; na verdade, um programa que, com base nos meus arquivos de config, já carrega os modelos de IA necessários e tudo mais para o RAM-disk.
Como eu disse, o Voice Chaser é a minha ferramenta primária, que eu uso praticamente a qualquer momento. Aliás, este texto aqui também está sendo criado assim. E, fora isso, o Voice Chaser ainda oferece a possibilidade de ocupar o slot de IA-4 com uma IA separada, que fica acessível via API. E o que mais temos? Bem, toda a parte da infraestrutura vocês podem dar uma olhada no código-fonte. Se tiverem perguntas, podem mandar.
Bom, como eu sou um maluco e tenho mais de quatro monitores no meu setup, achei no meu armário uma GTX 1050 antiga com 2 GB de VRAM. E eu não tinha nada melhor para fazer do que "abusar" dessa plaquinha de vídeo para que ela me forneça o fallback para o Voice Chaser. Se a 3090 grande estiver ocupada, há um fallback automático para a placa pequena, onde roda um "Whisper Small" ou o que estiver atual e que eu ache legal.
Além disso, todo o sistema tem uma função de stream, para que eu não precise apertar o botão toda vez. A propósito, peguei um teclado USB antigo que comprei por uns 8 euros na Amazon e o adaptei para criar quase que um Stream Deck Lite. Eu moddei esse teclado USB para que as teclas funcionem de modo que eu inicie e encerre o ditado, como estou fazendo agora. Ou seja: aperta o botão, fala, aperta o botão, espera um pouco, e o texto aparece exatamente na posição do cursor.
E foi ali que coloquei o botão de stream. Quando o stream está ativo, posso falar sem parar, e então isso passa por toda a cadeia e acaba saindo na posição do cursor. E isso também funciona com os sistemas de IA subsequentes.
Gallery




