MUCKYWORX // PROJECT
Voice Chaser
PROJECT

Voice Chaser

Мой абсолютно самый важный инструмент: Voice Chaser. Без этой штуки я практически вообще не двигаюсь вперед.

Итак, Voice Chaser. Я собрал эту штуку, потому что очень много работаю с речью, и это экономит мне уйму работы, особенно в плане печатания. Основная идея была такой: я говорю в микрофон, и транскрипция печатается прямо в позицию курсора.

Сначала я хотел это в качестве основной функции, а затем добавилась возможность подключать до трех отдельных ИИ. В зависимости от того, какой промпт я использую для каждого этапа ИИ, текст изменяется. Часто это просто ради забавы — изменить стиль, сделать его вдохновляющим или использовать старомодные выражения. Но очень часто это служит для перевода: я что-то наговариваю, пункт 1: текст грубо переводится, затем он еще раз редактируется, и в итоге он появляется там, где сейчас находится мой курсор.

Следующей функцией стало сохранение основных аудиофайлов — в моем случае на NAS. Так образовался датасет объемом более 63 часов. После дистилляции он стал, по сути, датасетом для MuckyTTS. Кроме того, система включает в себя мой RAM-Diskhandler; по сути, это программа, которая на основе моих конфиг-файлов загружает необходимые ИИ-модели в RAM-диск и всё остальное к ним.

Как я уже сказал, Voice Chaser — мой основной инструмент, которым я пользуюсь практически всегда. Кстати, этот текст тоже создан с его помощью. А еще в Voice Chaser есть возможность занять четвертый слот ИИ отдельной моделью, доступной через API. И что у нас там еще? Ну, всю внутреннюю «кухню» вы можете с удовольствием посмотреть в исходном коде. Если есть вопросы — смело задавайте.

Так как я тот еще псих и у меня в сетапе больше четырех мониторов, я нашел у себя в шкафу старую GTX 1050 с 2 ГБ VRAM. И мне нечем было заняться, кроме как использовать эту маленькую видеокарту в качестве фолбека для Voice Chaser. Если большая 3090 в данный момент занята, происходит автоматический переход на маленькую карту, где запущен «Whisper Small» или то, что сейчас актуально и что мне кажется крутым.

Дополнительно в системе есть функция стриминга, чтобы мне не приходилось каждый раз нажимать кнопку. Кстати, я взял старый USB-кейпад, который купил на Amazon за 8 евро или около того, и переделал его в своего рода Stream Deck Lite. Я так модифицировал этот USB-кейпад, что теперь там работают мои клавиши, которыми я запускаю и останавливаю диктовку, как я делаю это сейчас. То есть: нажал кнопку, наговорил, нажал кнопку, подождал немного, и текст появляется точно в позиции курсора.

И туда же я поместил кнопку стрима. Когда стрим активен, я могу болтать без умолку, всё это проходит через всю цепочку и в итоге выводится в позицию курсора. И это работает даже с подключенными далее системами ИИ.