homelab-00/TranscriptionSuite

A fully local and private Speech-To-Text app, offering multiple model backends, diarization & calendar mode - Available for Windows, macOS & Linux

What it solves

TranscriptionSuite は、完全にローカルでプライベートな音声→テキスト変換ソリューションを提供します。高性能な文字起こしと話者識別モデルをユーザー自身のハードウェア上で直接実行することで、機密音声データをクラウドへ送信する必要をなくし、Windows、macOS、Linux をサポートします。

How it works

本プロジェクトは、Electron ベースのダッシュボード（フロントエンド）と Python ベースのサーバー（バックエンド）で構成されています。以下の複数の Speech‑To‑Text（STT）バックエンドに対応しています：Whisper（faster‑whisper と whisper.cpp 経由）、NVIDIA NeMo（Parakeet と Canary）、VibeVoice‑ASR。

ハードウェアに応じて異なるアクセラレーションパスを利用します：

  • NVIDIA GPUs：Docker を介した CUDA 加速。
  • Apple Silicon：ネイティブ Metal/MLX GPU スタック。
  • AMD/Intel GPUs：Vulkan サポート（whisper.cpp 経由）。
  • CPU：全プラットフォーム共通のフォールバックモード。

また、PyAnnote または VibeVoice を統合し、話者ダイアリゼーション（誰が話しているかの識別）を実現。さらに「Audio Notebook」モードを提供し、任意の OpenAI 互換 LLM プロバイダーとノートをチャットできるようにします。

Who it’s for

高いプライバシーが求められる文字起こしワークフローを必要とするユーザー向けです。例としてジャーナリスト、研究者、またはクラウドサービスに依存せずローカルで「Audio Notebook」を使ってディクテーションや会議メモを取りたい方が対象です。

Highlights

  • 100% ローカル：音声は決してマシン外に出ません。インターネットは初回モデルダウンロード時のみ使用。
  • マルチバックエンド対応：Whisper、NVIDIA NeMo、VibeVoice‑ASR に対応。
  • 話者ダイアリゼーション：録音内の異なる話者を識別。
  • 柔軟な入力：長時間録音（マイクまたはシステム音声）、リアルタイム文字起こし、既存音声ファイルのインポートに対応。
  • Audio Notebook：カレンダー形式のビュー、全文検索、AI アシスタントによるノート検索機能を搭載。
  • クロスプラットフォーム：Apple Silicon（Metal）、NVIDIA（CUDA）、AMD/Intel（Vulkan）をネイティブにサポート。