MUCKYWORX // PROJECT
Voice Chaser
PROJECT

Voice Chaser

Ang pinaka-importanteng tool ko: ang Voice Chaser. Kung wala ang bagay na ito, halos hindi ako maka-move forward.

So, ang Voice Chaser. Ginawa ko ang bagay na ito dahil sobrang dami kong trabaho na may kinalaman sa speech, at dahil dito, nakakatipid ako ng napakaraming trabaho, lalo na sa pagta-type. Ang basic idea ay: magsasalita ako sa mic at ang transcription ay automatic na itatype sa cursor position ko.

Nagsimula ito sa gusto ko siyang maging main function, at pagkatapos ay nadagdagan ng option na magsingit ng hanggang tatlong magkakahiwalay na AI. Depende sa prompt na ginagamit ko para sa bawat AI stage, nababago ang text. Madalas, trip ko ring baguhin ang style—pwedeng gawing inspiring o kaya naman ay gumamit ng lumang paraan ng pananalita. Pero madalas din itong ginagamit para sa translation: magsasalita ako, Point 1: itatranslate ang text nang rough, pagkatapos ay i-le-lektura o i-e-edit pa, at saka ito lalabas kung nasaan ang cursor ko.

Ang susunod na function ay ang pag-save ng main audio files—sa akin, nasa NAS ito. Dahil dito, nakabuo ako ng dataset na mahigit 63 oras. Pagkatapos itong i-distill, ito na ang naging dataset para sa MuckyTTS. Bukod pa rito, kasama rin sa system ang RAM-diskhandler ko; basically isang program na nag-u-upload ng mga kailangang AI models sa RAM disk at lahat ng iba pa base sa config files ko.

Gaya ng sabi ko, ang Voice Chaser ang primary tool ko na ginagamit ko halos kahit anong oras. By the way, itong text na ito ay ginawa rin gamit iyon. At saka, may option din ang Voice Chaser na gamitin ang AI-4 slot para sa isang separate na AI na accessible via API. At ano pa nga ba ang meron tayo? Well, yung buong infrastructure sa ilalim ay pwede ninyong tingnan sa source code. Kung may mga tanong pa kayo, feel free lang na itanong.

Ngayon, dahil baliw ako at may higit sa apat na monitor sa setup ko, nakahanap ako ng lumang GTX 1050 na may 2 GB VRAM sa cabinet ko. At dahil wala akong ibang magawa, ginamit ko itong maliit na graphics card para magsilbing fallback para sa Voice Chaser. Kapag busy ang malaking 3090, automatic itong mag-fa-fallback sa maliit na card, at doon tumatakbo ang "Whisper Small" o kung ano man ang current at tingin kong maganda.

Dagdag pa rito, ang buong system ay may stream function, kaya hindi ko na kailangang pindutin ang button nang paulit-ulit. By the way, may lumang USB keypad ako na binili ko lang sa Amazon ng mga 8 Euro, at ginamit ko ito para gumawa ng parang Stream Deck Lite. Ni-mod ko itong USB keypad para doon nakalagay ang mga keys na ginagamit ko ngayon para simulan at tapusin ang dictation, gaya ng ginagawa ko ngayon. So: pindot ng button, salita, pindot ulit, hintay sandali, at lalabas ang text eksakto sa cursor position.

At doon ko rin inilagay ang stream button. Kapag active ang stream, pwede akong magsalita nang tuloy-tuloy, dadaan ito sa buong chain, at lalabas din sa cursor position. At gumagana rin ito kasama ang mga nakakabit na AI systems.