dseditor/QwenASRMiniTool

What it solves

声音识别小工具（QwenASR WebView 版）是一个本地离线运行的语音识别和字幕生成工具。它解决了两大问题：一是让普通用户无需联网、无需专业知识，就能把音频、视频或麦克风录音转换成SRT字幕文件；二是保护隐私，因为所有处理都在用户自己的电脑上完成，数据不会离开设备。此外，它针对中文、繁体中文（台湾国语）、日语等语言做了优化，并提供说话人分离、卡拉OK逐字高亮等实用功能。

How it works

工具的核心是多个可切换的语音识别引擎：CrispASR（基于whisper.cpp和Qwen3-ASR的Vulkan/CUDA GPU加速后端）、OpenVINO（纯CPU推理）以及兼容用的chatllm。用户可以在界面上按用途选择模型，例如识别标准中文、台湾国语、日语或混合语言。程序会检测显卡并推荐合适的加速版本。工作流程是：音频/视频文件先被提取音轨（视频用ffmpeg），然后送入识别引擎生成带时间戳的文本，最后整理成SRT或纯文本。对于麦克风录音，它使用VAD检测说话停顿自动分段。用户还能粘贴提示文字（如歌词、人名）来提升准确率，并可选启用说话人分离或字级时间轴对齐（用于卡拉OK效果）。软件还内置了OpenAI兼容的转录API和手机扫码上传页面，以及一个供AI Agent调用的命令行接口。

Who it's for

目标用户是普通家庭用户、学生、办公室人员，以及任何希望免费、离线、在自己电脑上完成语音识别和字幕制作的人。它特别适合处理会议录音、播客、课程视频、日语动画台词或台湾国语对话。同时，开发者或AI Agent可以通过其CLI或API将其集成到自动化流程中。

Highlights

• 完全本地离线运行，数据不离开电脑，隐私安全
• 支持音频、视频、麦克风录音转SRT字幕，视频自动提取音轨
• 多推理核心：Vulkan（GPU，支持NVIDIA/AMD/Intel）、CUDA（NVIDIA）、纯CPU（OpenVINO）
• 内置多种特化模型：Qwen3-ASR通用版、日语动漫版、台湾国语TEA模型、Whisper Breeze繁中/台语版
• 说话人分离、卡拉OK逐字高亮、批次处理、实时录音分段识别
• 提供OpenAI兼容API及手机扫码上传，支持临时公网通道（Cloudflare）
• 无头CLI模式，输出干净的JSON/SRT，并附有apply命令防止Agent破坏时间戳
• 自带模型下载管理、VAD、ffmpeg按需下载，开箱即用
• WebView图形界面，支持深/浅色主题、多语言界面、界面缩放