kstonekuan/tambourine-voice

解决的问题

Tambourine 提供一个通用的语音转文字接口，允许用户将语音输入到计算机上的任意应用程序中。它克服了原生语音输入工具的局限性，提供高度个性化、可去除填充词、并支持使用多种 AI 提供商进行语音识别和格式化处理的灵活性。

工作原理

该系统由基于 Tauri 的桌面应用程序和 Python 服务器组成。当用户触发快捷键时，应用程序会捕获音频，并通过 WebRTC 将其流式传输到服务器。服务器使用语音转文字（STT）提供商将音频转录为文本，然后通过大型语言模型（LLM）清理填充词、添加标点符号并应用自定义格式规则。最终润色后的文本会自动在当前活动应用程序的光标位置输入。

适用人群

适用于希望比打字更快记录想法的用户，需要高度可定制的语音界面以应对专业或技术工作流的用户，以及偏好开源替代品而非专有语音输入软件的用户。

主要亮点

• 通用兼容性：适用于邮件、消息、文档、代码编辑器和终端等各类应用。
• 灵活的 AI 后端：支持多种 STT（如 Deepgram、Groq、OpenAI）和 LLM（如 Anthropic、Gemini、Cerebras）提供商，包括通过 Whisper 和 Ollama 实现的完全本地化选项。
• 上下文感知格式化：自动检测当前聚焦的应用程序，以调整输出风格（例如，邮件使用正式风格，消息使用随意风格）。
• 可自定义控制：用户可定义自己的格式化提示，并维护个人技术术语词典。
• 双模式录音：通过全局快捷键提供“按住录音”和“切换”两种模式。