dseditor/QwenASRMiniTool

解决的问题

QwenASRMiniTool 是一个本地语音转文字工具，允许用户从音频文件、视频和实时麦克风录音生成 SRT 字幕，且数据不会离开用户的计算机。它简化了非专业人士的离线转录流程，为云服务提供了一个免费且私密的替代方案。

工作原理

该工具采用基于 WebView 的界面，并支持多种推理后端，以确保在不同硬件上的兼容性：

• 推理核心：使用 CrispASR（通过 Vulkan GPU）支持 NVIDIA、AMD 和 Intel GPU，使用 OpenVINO 实现纯 CPU 执行。
• 模型：利用 Qwen3-ASR（包括专门的日本动漫版本）和 Whisper (Breeze-ASR-26) 模型，实现 30 种语言的高精度转录。
• 处理流程：使用 FFmpeg 从视频文件中提取音频，使用 Silero-VAD 进行语音活动检测，以处理实时录音中的停顿。
• 附加功能：包含 ForcedAligner 用于生成单词级时间戳（卡拉OK模式），以及基于 ONNX 的引擎实现说话人分离。

适用人群

• 需要对会议、播客或讲座进行私密离线转录的个人。
• 希望为视频或歌词生成单词级精确字幕的内容创作者。
• 拥有不同硬件（从高端 GPU 到基础 CPU）但需要简单“开箱即用”ASR 工具的用户。

核心亮点

• 本地化 & 隐私安全：所有处理均在设备上完成，数据不会上传至云端。
• 硬件无关：支持通过 Vulkan（NVIDIA/AMD/Intel）实现 GPU 加速，以及通过 OpenVINO 实现纯 CPU 模式。
• 卡拉OK模式：提供单词级高亮，实现精确的字幕对齐与审校。
• 说话人分离：自动识别并标注转录中的不同说话人。
• 批量处理：支持导入并顺序处理多个音频/视频文件。
• API 与远程访问：内置 OpenAI 兼容的转录 API 和 Cloudflare 隧道，支持移动设备安全远程上传。