kristoferlund/ostt

何を解決するか

OSTT は、ターミナル上で音声入力をキャプチャし、テキストに変換するためのネイティブな方法を提供します。このテキストは、任意のシェルワークフローに統合できます。ユーザーがさまざまなローカルおよびクラウドベースの音声認識プロバイダー間を切り替える際、再録音を必要とせず、ベンダーに縛られることを回避できます。

動作方法

ユーザーはグローバルホットキーまたはCLIコマンドで音声を録音します。その後、このツールはローカルのWhisper互換モデル（Metal、CUDA、VulkanによるGPUアクセラレーション付き）またはクラウドAPI（OpenAI、Deepgram、Groq、Mistralなど）を使用して音声を音声認識します。得られたテキストはクリップボード、ファイル、stdoutに送信され、カスタムbashコマンドやAIプロンプトでさらに処理できます。

対象ユーザー

LinuxおよびmacOS上でターミナルを主なインターフェースとして使用し、スクリプト可能でオープンソースな音声認識システムを必要とする開発者やパワーユーザー。

特徴

• プロバイダーの柔軟性: Hugging Face経由または直接ファイルから、複数のクラウドAPIおよびローカルのオフラインモデルをサポート。
• ターミナル統合: 音声認識結果をstdout、ファイル、またはクリップボードにスムーズにパイプ。
• スクリプト可能な後処理: AIプロンプトやシェルコマンドでトランスクリプトを変換可能。
• 非破壊的ワークフロー: 録音データをローカルに保存し、異なるモデルやプロバイダーで再トランスクリプトを試行可能。
• キーワード強化: 技術用語や名前の認識を向上させるためにカスタム語彙のサポート。