HiMeditator/auto-caption

解決的問題

Auto Caption 提供了一個跨平台的解決方案，可從系統音訊輸出或麥克風輸入即時生成字幕，讓使用者能夠看到音訊串流的即時文字轉錄與翻譯。

工作原理

該軟體由圖形使用者介面和模組化字幕引擎組成。它會從系統捕獲音訊，並透過所選的語音轉文字（STT）引擎進行處理。在翻譯方面，可透過 Ollama 整合本地大型語言模型（LLM），或使用雲端的 OpenAI 兼容 API，亦可使用 Google 翻譯 API。引擎可作為 GUI 應用程式的部分執行，也可透過終端機以獨立可執行檔的方式運行。

適用對象

適用於需要即時可及性、翻譯或音訊轉錄功能的 Windows、macOS 和 Linux 使用者，針對其系統音訊或麥克風輸入進行處理。

主要特色

• 彈性引擎選項：支援雲端模型（Alibaba Gummy、GLM-ASR）與本地模型（Vosk、SOSV/SenseVoice）。
• 多種翻譯途徑：整合本地 Ollama 模型（建議參數小於 1B）、OpenAI 兼容 API 與 Google 翻譯。
• 可自訂顯示：提供豐富的字型、顏色與背景樣式設定。
• 資料匯出：允許使用者檢視並以 .srt 與 .json 格式匯出字幕紀錄。
• 可擴充性：使用者可使用 Python 開發自己的字幕引擎。