好了,聊聊 Voice Chaser。我之所以打造这个东西,是因为我的工作涉及大量语言处理,它帮我省去了海量的工作量,尤其是打字。基本思路是:我对麦克风说话,转录出的文字就直接“打”在光标位置。
起初,我只是想要这个核心功能,后来又加入了可以串联最多三路独立 AI 的能力。根据我在每个 AI 阶段设置的 Prompt,文本会被相应地修改。通常情况下,尝试改变风格很有趣——要么让它变得富有启发性,要么使用古风表达。但更多时候,它被用于翻译:我说一段话,第一步:文本被粗略翻译,然后再次润色,最后重新出现在我的光标位置。
接下来的功能是主语音文件的保存——在我的 NAS 上。由此产生了一个超过 63 小时的数据集。经过蒸馏后,它基本上成了 MuckyTTS 的数据集。此外,系统还包含我的 RAM-Diskhandler;实际上这是一个根据我的配置文件,将所需的 AI 模型及相关内容预先加载到 RAM Disk 中的程序。
正如我所说,Voice Chaser 是我的首要工具,我几乎随时都在使用。顺便说一下,这段文字就是这样产生的。此外,Voice Chaser 还允许将 AI-4 插槽分配给一个独立的 AI,通过 API 进行访问。还有什么呢?至于底层的所有技术细节,欢迎大家去源代码里研究。如果你们有任何问题,尽管提出来。
因为我这个疯子在配置中使用了四个以上的显示器,我在柜子里翻出了一块旧的 GTX 1050,只有 2 GB VRAM。我闲得没事干,就把这块小显卡给“滥用”了,让它为 Voice Chaser 提供备用方案(Fallback)。如果那块强大的 3090 正忙,系统会自动切换到这块小卡上,运行一个 "Whisper Small" 或者目前我觉得很棒的任何模型。
此外,整个系统还有一个流式传输(Stream)功能,这样我就不必每次都按按钮。顺便提一下,我用在亚马逊上花 8 欧元左右买的一个旧 USB 小键盘,把它改装成了一个类似 Stream Deck Lite 的东西。我对这个 USB 小键盘进行了模组化改造,设置了专用按键,用来启动和结束像我现在这样进行的听写。流程就是:按下按钮,说话,按下按钮,稍等片刻,文字精准地出现在光标位置。
我也把流式传输按钮放在了那里。当我激活 Stream 模式时,我可以滔滔不绝地说话,内容会流经整个处理链,最终出现在光标位置。而且这在接了后续 AI 系统的情况下同样有效。
Gallery




