音声入力ツールが欲しかったのですが、
Linux対応だったりローカルで動くアプリがなかったように思ったので作りました。
モデルはOpenAIのWhisperを使っています。
クラウドの音声入力に依存せず、ローカル環境や自宅のGPUマシンで完結できることを重視しています。
録音した音声をWhisperモデルで文字起こしし、入力したい場所へテキストとして渡す用途を想定しています。
構成はサーバーとクライアントに分けています。
GPUのあるマシンで推論サーバーを動かし、軽いノートPCなどから音声を送ります。
これにより、手元の端末へ大きな負荷をかけず使えるようにしました。
録音の開始と停止はシグナルで切り替えられるようにしています。
ショートカットキーなどからシグナルを送ると録音を開始し、もう一度送ると録音を止めて文字起こしする、という流れで常用しやすくすることを意識しました。
詳細はZennの記事をご覧ください。
