CrispStrobe/CrispASR

C++ ggml runtime hub for multilingual ASR and TTS models: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, etc, plus universal forced alignment, and more

CrispASR – 単一バイナリのマルチモデル音声エンジン

概要 – CrispASRは、単一の実行ファイルから 119種類の異なる音声関連モデル（自動音声認識 (ASR) および テキスト読み上げ (TTS)）を実行できるC++専用のコマンドラインツール（およびライブラリ）です。オープンソースの whisper.cpp プロジェクトをベースにしており、他の多くの GGUF 形式モデル（Parakeet, Canary, Qwen-3, Voxtral など）のための統合ランタイムを追加しています。Python、PyTorch、またはモデルごとの個別のバイナリは不要です。モデルファイルをダウンロードしてツールを指定するだけです。

主な機能

機能	詳細
単一バイナリ、119のバックエンド	`--backend NAME` でバックエンドを選択するか、GGUFファイルからモデルタイプを自動検出させます。
ASR + TTS + 翻訳	OpenAI Whisper, NVIDIA Parakeet, Qwen-3, Voxtral, Granite-Speech, wav2vec2 および62種類のTTSエンジン（Kokoro, Qwen3-TTS, Bark, Piperなど）をサポート。
Python依存関係ゼロ	純粋なC++ランタイム。Python, Rust, Dart, Go, Java, Ruby, JavaScript用のオプションの言語バインディング。
クロスプラットフォーム	Windows, macOS (Intel & Apple-Silicon), Linux用のビルド済みバイナリ、およびブラウザ用の4.3 MBのWebAssemblyビルド。
GPUサポート	CUDA, Vulkan, HIPの個別のビルド。CUDAビルドはCPUにフォールバックし、Vulkan/HIPは対応するドライバーが必要です。
サーバーモード	HTTP API (`crispasr --server …`) として実行可能。同時リクエスト用のワーカー設定が可能。
ストリーミングとライブ文字起こし	リアルタイムのマイクキャプチャとWebSocketストリーミング。
後処理	単語レベルのタイムスタンプ、SRT/VTT/JSONエクスポート、話者分離 (diarization)、言語検出、オプションの翻訳。
モデル管理	`-m auto` で `~/.cache/crispasr/` にモデルを自動ダウンロード。`crispasr --list-backends` でサポートされている全モデルを表示。
コンプライアンス	EU AI法、合成音声の透かし、音声クローン作成の同意に関するドキュメント。

標準的なワークフロー（ビルド不要）

バイナリのダウンロード：ReleasesページからOS用のバイナリをダウンロードします。

TTSデモの実行：

crispasr --backend kokoro -m auto \
       --tts "The quick brown fox jumps over the lazy dog." \
       --tts-output hello.wav

結果の文字起こし：
```
crispasr --backend parakeet -m auto -f hello.wav -l en
```
文字起こし結果と処理速度（例：10× リアルタイム）が表示されます。

エコシステム

CrisperWeaver – オフライン文字起こしにCrispASRを使用するFlutter UIアプリ（デスクトップおよびモバイル）。
CrispEmbed – テキスト埋め込み、OCR、マルチモーダル検索のための姉妹ライブラリ。同じGGUFベースのランタイムを共有。
Susurrus – 複数のASRバックエンドをラップするPython GUI。CrispASRのC++アプローチの対となる存在。

開始方法とリソース

クイックスタートドキュメント – docs/getting-started.md で最初の実行手順を説明。
完全な機能マトリックス – docs/feature-matrix.md で全バックエンドとその機能をリスト化。
サーバーと同時実行 – docs/server.md および docs/concurrency.md でHTTP APIのスケーリング方法を解説。
バインディング – docs/bindings.md で他言語からC-ABIを呼び出す方法を説明。
ベンチマーク – docs/benchmarking.md で再現可能なタイミングスクリプトを提供。
ライブデモ – HuggingFace Space: https://huggingface.co/spaces/cstr/CrispASR

想定されるユーザー

開発者：重いPythonスタックを導入せずに、軽量でポータブルな音声エンジンが必要な方。
エッジ/オフラインアプリケーション（モバイル、組み込み、ブラウザ）：単一バイナリやWASMモジュールが好ましい環境。
研究者：多くのオープンウェイトASR/TTSモデルを素早く実験したい方。
企業：明確なライセンス（ほとんどのモデルはMIT/Apache-2.0またはCC-BY）を持つオンプレミスソリューションが必要な組織。

結論 – CrispASRは、多数のオープンウェイトモデルを単一の高速なC++バイナリに統合し、オプションのバインディングとサーバー機能を備えた、実用的な音声処理ツールキットです。