kristoferlund/ostt

解决的问题

OSTT 提供了一种原生的终端方式来捕获语音输入并将其转换为文本，可无缝集成到任何 shell 工作流中。通过支持在多种本地和云服务语音识别提供商之间切换，而无需重新录制音频，有效避免了厂商锁定。

工作原理

用户通过全局快捷键或 CLI 命令录制音频。随后，该工具使用本地 Whisper 兼容模型（支持 Metal、CUDA 或 Vulkan 的 GPU 加速）或云 API（如 OpenAI、Deepgram、Groq 和 Mistral）对音频进行转录。生成的文本可发送至剪贴板、文件、标准输出，或通过自定义 bash 命令或 AI 提示进一步处理。

适用人群

在 Linux 和 macOS 上以终端为主要操作界面，希望拥有可脚本化、开源的语音转文本系统的开发者和高级用户。

主要亮点

• 提供方灵活性：通过 Hugging Face 或直接文件支持多种云 API 和本地离线模型。
• 终端集成：可无缝将转录结果管道化至标准输出、文件或剪贴板。
• 可脚本化后处理：支持使用 AI 提示或 shell 命令对转录文本进行转换。
• 非破坏性工作流：本地保存录音，允许用户使用不同模型或提供方重新尝试转录。
• 关键词增强：支持自定义词汇表，提升技术术语和名称的识别准确率。