233stone/vocotype-cli

VocoType CLI – オフライン音声認識エンジン

概要

• VocoType音声入力システムのオープンソース・コマンドライン版です。ユーザーのPC上で完全に動作し、音声をクラウドに送信することなくリアルタイムでテキストに変換します。
• FunASRオフライン認識エンジン（Alibaba/Damo）をベースにしており、オプションで火山エンジンのBigASRクラウドサービスも利用可能です。

主な機能

機能	詳細
オフライン推論	約500MBのFunASRモデルを使用し、CPUのみで動作（約700MiB RAM）。GPU不要。
高速応答	ローカル推論のレイテンシは約0.1秒。
中英混合文字起こし	バイリンガル入力を処理可能で、専門用語にも対応。
AIによる後処理	ASR出力後、軽量AIモデル（プロンプトテンプレートで選択）が同音異義語、誤字、および「…に変更」といった口語的な編集コマンドを修正します。
カスタム置換辞書	最大20個のユーザー定義用語（人名や専門用語など）を最終的な文字起こし結果に強制的に反映させます。
クラウドバックエンド（オプション）	config.jsonにApp KeyとAccess Keyを設定することで、火山エンジンBigASRに切り替え可能です。
データセットエクスポート	--save-datasetフラグを使用して、キャプチャした音声とテキストのペアをディスクに保存し、学習や分析に利用できます。

想定ユーザー

• プライバシーを重視するライター、弁護士、医師、研究者などの専門家。
• 独自のアプリにプログラム可能な音声入力コンポーネントを組み込みたい開発者。
• スクリプト化やカスタムワークフローへの統合を好むCLIユーザー。

インストールとクイックスタート

# Clone the repo
git clone https://github.com/233stone/vocotype-cli.git
cd vocotype-cli

# Create a Python 3.12 virtual environment (uv is recommended)
pip install uv
uv venv --python 3.12
source .venv/bin/activate   # Windows: .\.venv\Scripts\activate

# Install Python dependencies
uv pip install -r requirements.txt

# First run – the script will download the ~500 MB FunASR model automatically
python main.py

• 録音と文字起こしを行うには、python main.pyを実行してデフォルトのマイクに向かって話すだけです。
• キャプチャした音声とテキストのペアをエクスポートするには：python main.py --save-dataset。
• 火山エンジンのクラウド認識機能を使用するには、READMEに記載された認証情報を含むconfig.jsonを作成し、python main.py --config config.jsonで起動します。

デスクトップ版の利用 このCLIは開発者向けです。非技術者の方は、無料のグラフィカルなVocoTypeデスクトップクライアントをご利用ください（Windows/macOS用のダウンロードリンクはリポジトリのREADMEにあります）。

プロジェクトの健全性

• リリースにはタグ（例: v1.6.0）が付けられ、WindowsおよびmacOS用のビルド済みインストーラーが含まれています。
• リポジトリには主要な依存関係（FunASR、オプションの火山エンジンSDK）が記載されており、明確なセットアップ手順が提供されています。
• バグ報告や機能リクエストはGitHub Issuesで管理されています。

プロジェクトの意義 VocoType-CLIは、高品質な音声認識が一般的なハードウェア上でローカルに実現可能であることを示しています。クラウド専用の音声認識サービスに対するプライバシー重視の代替手段を提供しつつ、大規模モデルの精度を必要とするユーザー向けにクラウドバックエンドのオプションも用意しています。