HenestrosaDev/audiotext

Audiotext – 桌面语音转录、翻译与摘要工具

功能 – Audiotext 是一款跨平台桌面应用程序，可将音频或视频转换为文本。它支持：

• 导入文件、YouTube 链接，或从麦克风录制。
• 本地运行 Whisper X（CPU 或 CUDA 加速 GPU）或调用 OpenAI 的 Whisper、Google 语音转文本等云 API。
• 识别说话人、提供单词级时间戳，并清除音乐/背景噪音。
• 使用多种 LLM 提供商（OpenAI、Claude、Gemini、DeepSeek、Mistral、Grok、Ollama、DeepL、Google 翻译）进行翻译。
• 将内容总结为关键点/章节。
• 导出为多种格式（纯文本、Markdown、Word、SRT/VTT 字幕、TSV、JSON）。
• 保持可搜索的历史记录、标签、笔记，并支持批量处理队列。
• 提供完整的 CLI 用于脚本编写。

为何重要 – Audiotext 将强大的语音转文本栈（Whisper X + faster‑whisper + pyannote）整合到用户友好的 GUI 中，同时确保数据隐私——除非您主动选择使用云 API，否则所有操作均在您的设备上完成。内置的翻译和摘要功能利用 LLM API，无需额外工具即可将原始转录文本转化为多语言、简洁的成果。

核心技术

• UI – 基于 Tkinter 的自定义 Tkinter，支持拖放功能。
• ASR 引擎 – WhisperX（使用 faster‑whisper、CTranslate2、PyTorch，支持 CUDA 可选）。
• 说话人分离 – pyannote.audio。
• 云 API – OpenAI Whisper、Google 语音转文本，以及用于翻译/摘要的 LLM（OpenAI、Anthropic Claude、Gemini、DeepSeek、Mistral、Grok、Ollama、DeepL、Google 翻译）。
• 媒体处理 – 使用 FFmpeg + pydub 提取音频，pytubefix 用于下载 YouTube 视频，python‑sounddevice 用于麦克风输入输出。
• 导出 – python‑docx，以及内置的字幕格式导出器。
• 打包 – 提供 macOS、Windows、Linux 的原生安装包；包含可选的 GPU 加速版本。

适用人群 – 任何需要本地转录采访、讲座、播客或视频内容的人，尤其在隐私至关重要时。多语言 UI 和导出选项使其对内容创作者、研究人员和无障碍工作非常实用。

快速上手 – 从最新 GitHub 发布页面下载合适的安装包（macOS DMG、Windows EXE、Linux tar.gz）。FFmpeg 已捆绑，Linux 用户可能需要安装 libportaudio2 以支持麦克风。启动后，将文件拖入窗口，选择转录引擎，调整设置，点击 Transcribe 即可。

了解更多 – 完整文档、教程和语言特定帮助请访问 https://getaudiotext.com。仓库还包含 CLI（cli.py）、测试套件和贡献指南。