chidiwilliams/buzz

解決する課題

Buzzは、個人用コンピュータ上で音声や動画ファイルをオフラインで文字起こし・翻訳する方法を提供し、クラウドベースのサービスへの依存を排除してプライバシーを保護します。

仕組み

OpenAIのWhisperモデルを搭載しており、Nvidia GPU用のCUDA、Mac用のApple Silicon、その他のGPU用のVulkanなど、ハードウェアアクセラレーションのための複数のバックエンドをサポートしています。アップロードされたファイル、YouTubeリンク、またはマイクからのライブ音声を処理できます。

対象ユーザー

高品質な音声認識による文字起こしや翻訳をローカルで行う必要があるユーザー向けに設計されています。これには、ライブ字幕を必要とするイベントのプレゼンターや、自動化のためにCLIを求める開発者が含まれます。

主な特徴

• 多様な入力: 音声/動画ファイル、YouTubeリンク、リアルタイムのマイク入力をサポート。
• 精度の向上: 音声分離機能により、ノイズの多い音声の処理や話者の識別が可能。
• 柔軟なエクスポート: 文字起こし結果はTXT、SRT、またはVTTファイルとしてエクスポート可能。
• 自動化ツール: 自動処理のための監視フォルダ機能とコマンドラインインターフェース (CLI) を搭載。
• 拡張性: AI要約生成などのタスクに対応したプラグインシステムを搭載。