dseditor/QwenASRMiniTool

何を解決するか

音声認識ツール（QwenASR WebView版）は、ローカルでオフラインで動作する音声認識および字幕生成ツールです。以下の2つの問題を解決します：1）一般ユーザーがインターネット接続や専門知識なしに、音声ファイル、動画、マイク録音をSRT字幕ファイルに変換できるようにすること。2）すべての処理がユーザー自身のPC上で行われるため、データがデバイス外に流出しないプライバシー保護。さらに、中国語、繁体中国語（台湾国語）、日本語などに最適化されており、話者分離、カラオケ形式の文字単位ハイライトなどの実用機能も提供しています。

動作方法

このツールのコアは、切り替え可能な複数の音声認識エンジンです：CrispASR（whisper.cppとQwen3-ASRを基にしたVulkan/CUDA GPU加速バックエンド）、OpenVINO（純CPU推論）、および互換用のchatllm。ユーザーはUI上で用途に応じてモデルを選択できます（例：標準中国語、台湾国語、日本語、混合言語の認識）。プログラムはGPUを検出し、適切な加速バージョンを推奨します。作業フローは以下の通りです：音声/動画ファイルから音声トラックを抽出（動画はffmpegを使用）、それを認識エンジンに送信してタイムスタンプ付きテキストを生成、最後にSRTまたは純テキスト形式に整理します。マイク録音の場合、VAD（音声活動検出）を使用して会話の停止を検出し、自動的にセグメント化します。ユーザーは提示テキスト（例：歌詞、人物名）を貼り付けて認識精度を向上させることができ、話者分離や文字単位のタイムライン同期（カラオケ効果用）をオプションで有効化できます。ソフトウェアにはOpenAI互換のトランスクリプションAPI、スマートフォンスキャンアップロードページ、AIエージェント用のコマンドラインインターフェースも内蔵されています。

対象ユーザー

一般家庭ユーザー、学生、オフィス従事者、および無料でオフラインで自分のPC上で音声認識と字幕作成を行いたいすべての人を対象としています。会議録音、ポッドキャスト、授業動画、日本語アニメの台詞、台湾国語の会話などに特に適しています。また、開発者やAIエージェントはCLIまたはAPIを使って自動化プロセスに統合できます。

特徴

• 完全にローカルでオフライン動作。データはPCから流出せず、プライバシーが安全
• 音声、動画、マイク録音をSRT字幕に変換可能。動画は自動で音声トラックを抽出
• 複数の推論コア：Vulkan（GPU、NVIDIA/AMD/Intel対応）、CUDA（NVIDIA専用）、純CPU（OpenVINO）
• 内蔵の特化モデル：Qwen3-ASR汎用版、日本語アニメ版、台湾国語TEAモデル、Whisper Breeze繁体中国語/台湾語版
• 話者分離、カラオケ文字単位ハイライト、バッチ処理、リアルタイム録音のセグメント認識
• OpenAI互換APIとスマートフォンスキャンアップロードを提供。一時的なパブリックネットワークチャネル（Cloudflare）もサポート
• ヘッドレスCLIモード。出力はクリーンなJSON/SRT。applyコマンドでエージェントによるタイムスタンプ破壊を防止
• モデルダウンロード管理、VAD、ffmpegは必要時のみダウンロード。即時使用可能
• WebViewによるGUI、ダーク/ライトテーマ対応、多言語インターフェース、UIのズーム対応