release v1.1.0

2026-02-04 04:14:42 +08:00 · 2026-01-10 22:50:57 +08:00
parent 086ea90a5f
commit 0dc70d491e
20 changed files with 207 additions and 114 deletions
--- a/README.md
+++ b/README.md
@@ -3,7 +3,7 @@
    <h1 align="center">auto-caption</h1>
    <p>Auto Caption 是一个跨平台的实时字幕显示软件。</p>
    <p>
-      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.0.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.1.0-blue"></a>
      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
@@ -14,7 +14,7 @@
        | <a href="./README_en.md">English</a>
        | <a href="./README_ja.md">日本語</a> |
    </p>
-    <p><i>v1.0.0 版本已经发布，新增 SOSV 本地字幕模型。当前功能已经基本完整，暂无继续开发计划...</i></p>
+    <p><i>v1.1.0 版本已经发布，新增 GLM-ASR 云端字幕模型和 OpenAI 兼容模型翻译...</i></p>
 </div>

 ![](./assets/media/main_zh.png)
@@ -38,7 +38,7 @@ SOSV 模型下载：[ Shepra-ONNX SenseVoice Model](https://github.com/HiMeditat
 ## ✨ 特性

 - 生成音频输出或麦克风输入的字幕
- 支持调用本地 Ollama 模型或云端 Google 翻译 API 进行翻译
+- 支持调用本地 Ollama 模型、云端 OpenAI 兼容模型、或云端 Google 翻译 API 进行翻译
 - 跨平台（Windows、macOS、Linux）、多界面语言（中文、英语、日语）支持
 - 丰富的字幕样式设置（字体、字体大小、字体粗细、字体颜色、背景颜色等）
 - 灵活的字幕引擎选择（阿里云 Gummy 云端模型、GLM-ASR 云端模型、本地 Vosk 模型、本地 SOSV 模型、还可以自己开发模型）
@@ -47,6 +47,8 @@ SOSV 模型下载：[ Shepra-ONNX SenseVoice Model](https://github.com/HiMeditat

 ## 📖 基本使用

+> ⚠️ 注意：目前只维护了 Windows 平台的软件的最新版本，其他平台的最后版本停留在 v1.0.0。
+
 软件已经适配了 Windows、macOS 和 Linux 平台。测试过的主流平台信息如下：

 | 操作系统版本        | 处理器架构 | 获取系统音频输入 | 获取系统音频输出 |
@@ -59,15 +61,15 @@ macOS 平台和 Linux 平台获取系统音频输出需要进行额外设置，

 下载软件后，需要根据自己的需求选择对应的模型，然后配置模型。

-|                                                              | 识别效果 | 部署类型          | 支持语言   | 翻译       | 备注                                                       |
-| ------------------------------------------------------------ | -------- | ------------- | ---------- | ---------- | ---------------------------------------------------------- |
-| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | 很好😊    | 云端 / 阿里云 | 10 种      | 自带翻译   | 收费，0.54CNY / 小时                                       |
-| [glm-asr-2512](https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512) | 很好😊 | 云端 / 智谱 AI | 4 种 | 需额外配置 | 收费，约 0.72CNY / 小时 |
-| [Vosk](https://alphacephei.com/vosk)                         | 较差😞    | 本地 / CPU    | 超过 30 种 | 需额外配置 | 支持的语言非常多                                           |
-| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 一般😐    | 本地 / CPU    | 5 种       | 需额外配置 | 仅有一个模型                                               |
-| 自己开发                                                     | 🤔        | 自定义        | 自定义     | 自定义     | 根据[文档](./docs/engine-manual/zh.md)使用 Python 自己开发 |
+|                                                              | 准确率 | 实时性 | 部署类型          | 支持语言   | 翻译       | 备注                                                       |
+| ------------------------------------------------------------ | -------- | ------------- | ---------- | ---------- | ---------------------------------------------------------- | ---------------------------------------------------------- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | 很好😊    | 很好😊 | 云端 / 阿里云 | 10 种      | 自带翻译   | 收费，0.54CNY / 小时                                       |
+| [glm-asr-2512](https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512) | 很好😊 | 较差😞 | 云端 / 智谱 AI | 4 种 | 需额外配置 | 收费，约 0.72CNY / 小时 |
+| [Vosk](https://alphacephei.com/vosk)                         | 较差😞    | 很好😊 | 本地 / CPU    | 超过 30 种 | 需额外配置 | 支持的语言非常多                                           |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 一般😐    | 一般😐 | 本地 / CPU    | 5 种       | 需额外配置 | 仅有一个模型                                               |
+| 自己开发                                                     | 🤔        | 🤔      | 自定义        | 自定义     | 自定义     | 根据[文档](./docs/engine-manual/zh.md)使用 Python 自己开发 |

-如果你选择使用 Vosk 或 SOSV 模型，你还需要配置自己的翻译模型。
+如果你选择的不是 Gummy 模型，你还需要配置自己的翻译模型。

 ### 配置翻译模型

@@ -79,11 +81,22 @@ macOS 平台和 Linux 平台获取系统音频输出需要进行额外设置，

 > 注意：使用参数量过大的模型会导致资源消耗和翻译延迟较大。建议使用参数量小于 1B 的模型，比如： `qwen2.5:0.5b`, `qwen3:0.6b`。

-使用该模型之前你需要确定本机安装了 [Ollama](https://ollama.com/) 软件，并已经下载了需要的大语言模型。只需要将需要调用的大模型名称添加到设置中的 `Ollama` 字段中。
+使用该模型之前你需要确定本机安装了 [Ollama](https://ollama.com/) 软件，并已经下载了需要的大语言模型。只需要将需要调用的大模型名称添加到设置中的 `模型名称` 字段中，并保证 `Base URL` 字段为空。
+
+#### OpenAI 兼容模型
+
+如果觉得本地 Ollama 模型的翻译效果不佳，或者不想在本地安装 Ollama 模型，那么可以使用云端的 OpenAI 兼容模型。
+
+以下是一些模型提供商的 `Base URL`：
+- OpenAI: https://api.openai.com/v1
+- DeepSeek：https://api.deepseek.com
+- 阿里云：https://dashscope.aliyuncs.com/compatible-mode/v1
+
+API Key 需要在对应的模型提供商处获取。

 #### Google 翻译 API

-> 注意：Google 翻译 API 在部分地区无法使用。
+> 注意：Google 翻译 API 在无法访问国际网络的地区无法使用。

 无需任何配置，联网即可使用。

@@ -91,11 +104,17 @@ macOS 平台和 Linux 平台获取系统音频输出需要进行额外设置，

 > 国际版的阿里云服务似乎并没有提供 Gummy 模型，因此目前非中国用户可能无法使用 Gummy 字幕引擎。

-如果要使用默认的 Gummy 字幕引擎（使用云端模型进行语音识别和翻译），首先需要获取阿里云百炼平台的 API KEY，然后将 API KEY 添加到软件设置中或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY），这样才能正常使用该模型。相关教程：
+如果要使用默认的 Gummy 字幕引擎（使用云端模型进行语音识别和翻译），首先需要获取阿里云百炼平台的 API KEY，然后将 API KEY 添加到软件设置中（在字幕引擎设置的更多设置中）或者配置到环境变量中（仅 Windows 平台支持读取环境变量中的 API KEY），这样才能正常使用该模型。相关教程：

 - [获取 API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [将 API Key 配置到环境变量](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+### 使用 GLM-ASR 模型
+
+使用前需要获取智谱 AI 平台的 API KEY，并添加到软件设置中。
+
+API KEY 获取相关链接：[快速开始](https://docs.bigmodel.cn/cn/guide/start/quick-start)。
+
 ### 使用 Vosk 模型

 > Vosk 模型的识别效果较差，请谨慎使用。
@@ -133,7 +152,7 @@ python main.py \

 ## ⚙️ 自带字幕引擎说明

-目前软件自带 3 个字幕引擎，正在规划新的引擎。它们的详细信息如下。
+目前软件自带 4 个字幕引擎。它们的详细信息如下。

 ### Gummy 字幕引擎（云端）

@@ -160,6 +179,10 @@ $$

 而且引擎只会获取到音频流的时候才会上传数据，因此实际上传速率可能更小。模型结果回传流量消耗较小，没有纳入考虑。

+### GLM-ASR 字幕引擎（云端）
+
+https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512
+
 ### Vosk 字幕引擎（本地）

 基于 [vosk-api](https://github.com/alphacep/vosk-api) 开发。该字幕引擎的优点是可选的语言模型非常多（超过 30 种），缺点是识别效果比较差，且生成内容没有标点符号。
@@ -169,16 +192,6 @@ $$

 [SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model) 是一个整合包，该整合包主要基于 [Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)，并添加了端点检测模型和标点恢复模型。该模型支持识别的语言有：英语、中文、日语、韩语、粤语。

-### 新规划字幕引擎
-
-以下为备选模型，将根据模型效果和集成难易程度选择。
-
- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
- [FunASR](https://github.com/modelscope/FunASR)
- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
-
 ## 🚀 项目运行

 ![](./assets/media/structure_zh.png)
--- a/README_en.md
+++ b/README_en.md
@@ -3,7 +3,7 @@
    <h1 align="center">auto-caption</h1>
    <p>Auto Caption is a cross-platform real-time caption display software.</p>
    <p>
-      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.0.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.1.0-blue"></a>
      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
@@ -14,7 +14,7 @@
        | <b>English</b>
        | <a href="./README_ja.md">日本語</a> |
    </p>
-    <p><i>Version 1.0.0 has been released, with the addition of the SOSV local caption model. The current features are basically complete, and there are no further development plans...</i></p>
+    <p><i>v1.1.0 has been released, adding the GLM-ASR cloud caption model and OpenAI compatible model translation...</i></p>
 </div>

 ![](./assets/media/main_en.png)
@@ -38,15 +38,17 @@ SOSV Model Download: [Shepra-ONNX SenseVoice Model](https://github.com/HiMeditat
 ## ✨ Features

 - Generate captions from audio output or microphone input
- Supports translation by calling local Ollama models or cloud-based Google Translate API
+- Supports calling local Ollama models, cloud-based OpenAI compatible models, or cloud-based Google Translate API for translation
 - Cross-platform (Windows, macOS, Linux) and multi-language interface (Chinese, English, Japanese) support
 - Rich caption style settings (font, font size, font weight, font color, background color, etc.)
- Flexible caption engine selection (Alibaba Cloud Gummy cloud model, local Vosk model, local SOSV model, or you can develop your own model)
+- Flexible caption engine selection (Aliyun Gummy cloud model,GLM-ASR cloud model, local Vosk model, local SOSV model, or you can develop your own model)
 - Multi-language recognition and translation (see below "⚙️ Built-in Subtitle Engines")
 - Subtitle record display and export (supports exporting `.srt` and `.json` formats)

 ## 📖 Basic Usage

+> ⚠️ Note: Currently, only the latest version of the software on Windows platform is maintained, while the last versions for other platforms remain at v1.0.0.
+
 The software has been adapted for Windows, macOS, and Linux platforms. The tested platform information is as follows:

 | OS Version         | Architecture | System Audio Input | System Audio Output |
@@ -60,14 +62,15 @@ Additional configuration is required to capture system audio output on macOS and

 After downloading the software, you need to select the corresponding model according to your needs and then configure the model.

-|                                                              | Recognition Quality | Deployment Type    | Supported Languages | Translation   | Notes                                                      |
-| ------------------------------------------------------------ | ------------------- | ------------------ | ------------------- | ------------- | ---------------------------------------------------------- |
-| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | Excellent 😊         | Alibaba Cloud | 10 languages        | Built-in      | Paid, 0.54 CNY/hour                                        |
-| [Vosk](https://alphacephei.com/vosk)                         | Poor 😞             | Local / CPU        | Over 30 languages   | Requires setup | Supports many languages                                    |
-| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | Fair 😐             | Local / CPU        | 5 languages         | Requires setup | Only one model available                                   |
-| DIY Development                                              | 🤔                  | Custom             | Custom              | Custom        | Develop your own using Python according to [documentation](./docs/engine-manual/zh.md) |
+|                                                              | Accuracy | Real-time | Deployment Type | Supported Languages | Translation | Notes |
+| ------------------------------------------------------------ | -------- | --------- | --------------- | ------------------- | ----------- | ----- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | Very good 😊 | Very good 😊 | Cloud / Alibaba Cloud | 10 languages | Built-in translation | Paid, 0.54 CNY/hour |
+| [glm-asr-2512](https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512) | Very good 😊 | Poor 😞 | Cloud / Zhipu AI | 4 languages | Requires additional configuration | Paid, approximately 0.72 CNY/hour |
+| [Vosk](https://alphacephei.com/vosk) | Poor 😞 | Very good 😊 | Local / CPU | Over 30 languages | Requires additional configuration | Supports many languages |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | Average 😐 | Average 😐 | Local / CPU | 5 languages | Requires additional configuration | Only one model |
+| Self-developed | 🤔 | 🤔 | Custom | Custom | Custom | Develop your own using Python according to the [documentation](./docs/engine-manual/en.md) |

-If you choose to use the Vosk or SOSV model, you also need to configure your own translation model.
+If you choose a model other than Gummy, you also need to configure your own translation model.

 ### Configuring Translation Models

@@ -79,7 +82,18 @@ If you choose to use the Vosk or SOSV model, you also need to configure your own

 > Note: Using models with too many parameters will lead to high resource consumption and translation delays. It is recommended to use models with less than 1B parameters, such as: `qwen2.5:0.5b`, `qwen3:0.6b`.

-Before using this model, you need to ensure that [Ollama](https://ollama.com/) software is installed on your machine and the required large language model has been downloaded. Simply add the name of the large model you want to call to the `Ollama` field in the settings.
+Before using this model, you need to confirm that the [Ollama](https://ollama.com/) software is installed on your local machine and that you have downloaded the required large language model. Simply add the name of the large model you want to call to the `Model Name` field in the settings, and ensure that the `Base URL` field is empty.
+
+#### OpenAI Compatible Model
+
+If you feel the translation effect of the local Ollama model is not good enough, or don't want to install the Ollama model locally, then you can use cloud-based OpenAI compatible models.
+
+Here are some model provider `Base URL`s:
+- OpenAI: https://api.openai.com/v1
+- DeepSeek: https://api.deepseek.com
+- Alibaba Cloud: https://dashscope.aliyuncs.com/compatible-mode/v1
+
+The API Key needs to be obtained from the corresponding model provider.

 #### Google Translate API

@@ -96,6 +110,12 @@ To use the default Gummy caption engine (using cloud models for speech recogniti
 - [Get API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [Configure API Key through Environment Variables](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+### Using the GLM-ASR Model
+
+Before using it, you need to obtain an API KEY from the Zhipu AI platform and add it to the software settings.
+
+For API KEY acquisition, see: [Quick Start](https://docs.bigmodel.cn/en/guide/start/quick-start).
+
 ### Using Vosk Model

 > The recognition effect of the Vosk model is poor, please use it with caution.
@@ -133,7 +153,7 @@ python main.py \

 ## ⚙️ Built-in Subtitle Engines

-Currently, the software comes with 3 caption engines, with new engines under development. Their detailed information is as follows.
+Currently, the software comes with 4 caption engines, with new engines under development. Their detailed information is as follows.

 ### Gummy Subtitle Engine (Cloud)

@@ -160,6 +180,10 @@ $$

 The engine only uploads data when receiving audio streams, so the actual upload rate may be lower. The return traffic consumption of model results is small and not considered here.

+### GLM-ASR Caption Engine (Cloud)
+
+https://docs.bigmodel.cn/en/guide/models/sound-and-video/glm-asr-2512
+
 ### Vosk Subtitle Engine (Local)

 Developed based on [vosk-api](https://github.com/alphacep/vosk-api). The advantage of this caption engine is that there are many optional language models (over 30 languages), but the disadvantage is that the recognition effect is relatively poor, and the generated content has no punctuation.
@@ -168,16 +192,6 @@ Developed based on [vosk-api](https://github.com/alphacep/vosk-api). The advanta

 [SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model) is an integrated package, mainly based on [Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html), with added endpoint detection model and punctuation restoration model. The languages supported by this model for recognition are: English, Chinese, Japanese, Korean, and Cantonese.

-### Planned New Subtitle Engines
-
-The following are candidate models that will be selected based on model performance and ease of integration.
-
- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
- [FunASR](https://github.com/modelscope/FunASR)
- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
-
 ## 🚀 Project Setup

 ![](./assets/media/structure_en.png)
--- a/README_ja.md
+++ b/README_ja.md
@@ -3,7 +3,7 @@
    <h1 align="center">auto-caption</h1>
    <p>Auto Caption はクロスプラットフォームのリアルタイム字幕表示ソフトウェアです。</p>
    <p>
-      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.0.0-blue"></a>
+      <a href="https://github.com/HiMeditator/auto-caption/releases"><img src="https://img.shields.io/badge/release-1.1.0-blue"></a>
      <a href="https://github.com/HiMeditator/auto-caption/issues"><img src="https://img.shields.io/github/issues/HiMeditator/auto-caption?color=orange"></a>
      <img src="https://img.shields.io/github/languages/top/HiMeditator/auto-caption?color=royalblue">
      <img src="https://img.shields.io/github/repo-size/HiMeditator/auto-caption?color=green">
@@ -14,7 +14,7 @@
        | <a href="./README_en.md">English</a>
        | <b>日本語</b> |
    </p>
-    <p><i>v1.0.0 バージョンがリリースされ、SOSV ローカル字幕モデルが追加されました。現在の機能は基本的に完了しており、今後の開発計画はありません...</i></p>
+    <p><i>v1.1.0 バージョンがリリースされました。GLM-ASR クラウド字幕モデルと OpenAI 互換モデル翻訳が追加されました...</i></p>
 </div>

 ![](./assets/media/main_ja.png)
@@ -38,15 +38,17 @@ SOSV モデルダウンロード: [Shepra-ONNX SenseVoice Model](https://github.
 ## ✨ 特徴

 - 音声出力またはマイク入力からの字幕生成
- ローカルのOllamaモデルまたはクラウドベースのGoogle翻訳APIを呼び出して翻訳をサポート
+- ローカルのOllamaモデル、クラウド上のOpenAI互換モデル、またはクラウド上のGoogle翻訳APIを呼び出して翻訳を行うことをサポートしています
 - クロスプラットフォーム（Windows、macOS、Linux）、多言語インターフェース（中国語、英語、日本語）対応
 - 豊富な字幕スタイル設定（フォント、フォントサイズ、フォント太さ、フォント色、背景色など）
- 柔軟な字幕エンジン選択（阿里云Gummyクラウドモデル、ローカルVoskモデル、ローカルSOSVモデル、または独自にモデルを開発可能）
+- 柔軟な字幕エンジン選択（阿里云Gummyクラウドモデル、GLM-ASRクラウドモデル、ローカルVoskモデル、ローカルSOSVモデル、または独自にモデルを開発可能）
 - 多言語認識と翻訳（下記「⚙️ 字幕エンジン説明」参照）
 - 字幕記録表示とエクスポート（`.srt` および `.json` 形式のエクスポートに対応）

 ## 📖 基本使い方

+> ⚠️ 注意：現在、Windowsプラットフォームのソフトウェアの最新バージョンのみがメンテナンスされており、他のプラットフォームの最終バージョンはv1.0.0のままです。
+
 このソフトウェアは Windows、macOS、Linux プラットフォームに対応しています。テスト済みのプラットフォーム情報は以下の通りです：

 | OS バージョン | アーキテクチャ | システムオーディオ入力 | システムオーディオ出力 |
@@ -61,14 +63,15 @@ macOS および Linux プラットフォームでシステムオーディオ出

 ソフトウェアをダウンロードした後、自分のニーズに応じて対応するモデルを選択し、モデルを設定する必要があります。

-|                                                              | 認識効果 | デプロイタイプ    | 対応言語   | 翻訳       | 備考                                                       |
-| ------------------------------------------------------------ | -------- | ----------------- | ---------- | ---------- | ---------------------------------------------------------- |
-| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | 良好😊    | クラウド / 阿里云 | 10種       | 内蔵翻訳   | 有料、0.54CNY / 時間                                       |
-| [Vosk](https://alphacephei.com/vosk)                         | 不良😞    | ローカル / CPU    | 30種以上   | 追加設定必要 | 対応言語が非常に多い                                       |
-| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 一般😐    | ローカル / CPU    | 5種        | 追加設定必要 | モデルは一つのみ                                           |
-| 自前開発                                                     | 🤔        | カスタム          | カスタム   | カスタム   | [ドキュメント](./docs/engine-manual/zh.md)に従ってPythonで自前開発 |
+|                                                              | 正確性 | 実時間性 | デプロイタイプ | 対応言語 | 翻訳 | 備考 |
+| ------------------------------------------------------------ | -------- | --------- | -------------- | -------- | ---- | ---- |
+| [Gummy](https://help.aliyun.com/zh/model-studio/gummy-speech-recognition-translation) | とても良い😊 | とても良い😊 | クラウド / アリババクラウド | 10言語 | 内蔵翻訳 | 有料、0.54元/時間 |
+| [glm-asr-2512](https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512) | とても良い😊 | 悪い😞 | クラウド / Zhipu AI | 4言語 | 追加設定が必要 | 有料、約0.72元/時間 |
+| [Vosk](https://alphacephei.com/vosk) | 悪い😞 | とても良い😊 | ローカル / CPU | 30言語以上 | 追加設定が必要 | 多くの言語に対応 |
+| [SOSV](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html) | 普通😐 | 普通😐 | ローカル / CPU | 5言語 | 追加設定が必要 | 1つのモデルのみ |
+| 自分で開発 | 🤔 | 🤔 | カスタム | カスタム | カスタム | [ドキュメント](./docs/engine-manual/ja.md)に従ってPythonを使用して自分で開発 |

-VoskまたはSOSVモデルを使用する場合、独自の翻訳モデルも設定する必要があります。
+Gummyモデル以外を選択した場合、独自の翻訳モデルを設定する必要があります。

 ### 翻訳モデルの設定

@@ -80,7 +83,18 @@ VoskまたはSOSVモデルを使用する場合、独自の翻訳モデルも設

 > 注意：パラメータ数が多すぎるモデルを使用すると、リソース消費と翻訳遅延が大きくなります。1B未満のパラメータ数のモデルを使用することを推奨します。例：`qwen2.5:0.5b`、`qwen3:0.6b`。

-このモデルを使用する前に、ローカルマシンに[Ollama](https://ollama.com/)ソフトウェアがインストールされ、必要な大規模言語モデルがダウンロードされていることを確認してください。必要な大規模モデル名を設定の`Ollama`フィールドに追加するだけでOKです。
+このモデルを使用する前に、ローカルマシンに[Ollama](https://ollama.com/)ソフトウェアがインストールされており、必要な大規模言語モデルをダウンロード済みであることを確認してください。設定で呼び出す必要がある大規模モデル名を「モデル名」フィールドに入力し、「Base URL」フィールドが空であることを確認してください。
+
+#### OpenAI互換モデル
+
+ローカルのOllamaモデルの翻訳効果が良くないと感じる場合や、ローカルにOllamaモデルをインストールしたくない場合は、クラウド上のOpenAI互換モデルを使用できます。
+
+いくつかのモデルプロバイダの「Base URL」：
+- OpenAI: https://api.openai.com/v1
+- DeepSeek: https://api.deepseek.com
+- アリババクラウド: https://dashscope.aliyuncs.com/compatible-mode/v1
+
+API Keyは対応するモデルプロバイダから取得する必要があります。

 #### Google翻訳API

@@ -97,6 +111,12 @@ VoskまたはSOSVモデルを使用する場合、独自の翻訳モデルも設
 - [API KEYの取得](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [環境変数へのAPI Keyの設定](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+### GLM-ASR モデルの使用
+
+使用前に、Zhipu AI プラットフォームから API キーを取得し、それをソフトウェアの設定に追加する必要があります。
+
+API キーの取得についてはこちらをご覧ください：[クイックスタート](https://docs.bigmodel.cn/ja/guide/start/quick-start)。
+
 ### Voskモデルの使用

 > Voskモデルの認識効果は不良のため、注意して使用してください。
@@ -134,7 +154,7 @@ python main.py \

 ## ⚙️ 字幕エンジン説明

-現在、ソフトウェアには3つの字幕エンジンが搭載されており、新しいエンジンが計画されています。それらの詳細情報は以下の通りです。
+現在、ソフトウェアには4つの字幕エンジンが搭載されており、新しいエンジンが計画されています。それらの詳細情報は以下の通りです。

 ### Gummy 字幕エンジン（クラウド）

@@ -161,6 +181,10 @@ $$

 また、エンジンはオーディオストームを取得したときのみデータをアップロードするため、実際のアップロードレートはさらに小さくなる可能性があります。モデル結果の返信トラフィック消費量は小さく、ここでは考慮していません。

+### GLM-ASR 字幕エンジン（クラウド）
+
+https://docs.bigmodel.cn/ja/guide/models/sound-and-video/glm-asr-2512
+
 ### Vosk字幕エンジン（ローカル）

 [vosk-api](https://github.com/alphacep/vosk-api)をベースに開発。この字幕エンジンの利点は選択可能な言語モデルが非常に多く（30言語以上）、欠点は認識効果が比較的悪く、生成内容に句読点がないことです。
@@ -169,16 +193,6 @@ $$

 [SOSV](https://github.com/HiMeditator/auto-caption/releases/tag/sosv-model)は統合パッケージで、主に[Shepra-ONNX SenseVoice](https://k2-fsa.github.io/sherpa/onnx/sense-voice/index.html)をベースにし、エンドポイント検出モデルと句読点復元モデルを追加しています。このモデルが認識をサポートする言語は：英語、中国語、日本語、韓国語、広東語です。

-### 新規計画字幕エンジン
-
-以下は候補モデルであり、モデルの性能と統合の容易さに基づいて選択されます。
-
- [faster-whisper](https://github.com/SYSTRAN/faster-whisper)
- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)
- [SenseVoice](https://github.com/FunAudioLLM/SenseVoice)
- [FunASR](https://github.com/modelscope/FunASR)
- [WhisperLiveKit](https://github.com/QuentinFuxa/WhisperLiveKit)
-
 ## 🚀 プロジェクト実行

 ![](./assets/media/structure_ja.png)
--- a/assets/media/config_en.png
+++ b/assets/media/config_en.png
--- a/assets/media/config_ja.png
+++ b/assets/media/config_ja.png
--- a/assets/media/config_zh.png
+++ b/assets/media/config_zh.png
--- a/assets/media/engine_en.png
+++ b/assets/media/engine_en.png
--- a/assets/media/engine_ja.png
+++ b/assets/media/engine_ja.png
--- a/assets/media/engine_zh.png
+++ b/assets/media/engine_zh.png
--- a/assets/media/main_en.png
+++ b/assets/media/main_en.png
--- a/assets/media/main_ja.png
+++ b/assets/media/main_ja.png
--- a/assets/media/main_zh.png
+++ b/assets/media/main_zh.png
--- a/docs/CHANGELOG.md
+++ b/docs/CHANGELOG.md
@@ -172,4 +172,11 @@

 - 优化部分提示信息显示位置
 - 替换重采样模型，提高音频重采样质量
- 带有额外信息的标签颜色改为与主题色一致
+- 带有额外信息的标签颜色改为与主题色一致
+
+## v1.1.0
+
+### 新增功能
+
+- 添加基于 GLM-ASR 的字幕引擎
+- 添加 OpenAI API 兼容模型作为新的翻译模型
--- a/docs/TODO.md
+++ b/docs/TODO.md
@@ -23,17 +23,8 @@
 - [x] 前端页面添加日志内容展示 *2025/08/19*
 - [x] 添加 Ollama 模型用于本地字幕引擎的翻译 *2025/09/04*
 - [x] 验证 / 添加基于 sherpa-onnx 的字幕引擎 *2025/09/06*
+- [x] 添加 GLM-ASR 模型 *2026/01/10*

-## 待完成
+## TODO

- [ ] 调研更多的云端模型（火山、OpenAI、Google等）
- [ ] 验证 / 添加基于 sherpa-onnx 的字幕引擎
-
-## 后续计划
-
- [ ] 验证 / 添加基于 FunASR 的字幕引擎
- [ ] 减小软件不必要的体积
-
-## 遥远的未来
-
- [ ] 使用 Tauri 框架重新开发
+暂无
--- a/docs/img/06.png
+++ b/docs/img/06.png
--- a/docs/user-manual/en.md
+++ b/docs/user-manual/en.md
@@ -1,6 +1,6 @@
 # Auto Caption User Manual

-Corresponding Version: v1.0.0
+Corresponding Version: v1.1.0

 **Note: Due to limited personal resources, the English and Japanese documentation files for this project (except for the README document) will no longer be maintained. The content of this document may not be consistent with the latest version of the project. If you are willing to help with translation, please submit relevant Pull Requests.**

@@ -41,6 +41,11 @@ Alibaba Cloud provides detailed tutorials for this part, which can be referenced
 - [Obtaining API KEY (Chinese)](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [Configuring API Key through Environment Variables (Chinese)](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+
+## Preparation for GLM Engine
+
+You need to obtain an API KEY first, refer to: [Quick Start](https://docs.bigmodel.cn/en/guide/start/quick-start).
+
 ## Preparation for Using Vosk Engine

 To use the Vosk local caption engine, first download your required model from the [Vosk Models](https://alphacephei.com/vosk/models) page. Then extract the downloaded model package locally and add the corresponding model folder path to the software settings.
@@ -147,7 +152,7 @@ The following parameter descriptions only include necessary parameters.

 #### `-e , --caption_engine`

-The caption engine model to select, currently three options are available: `gummy, vosk, sosv`.
+The caption engine model to select, currently three options are available: `gummy, glm, vosk, sosv`.

 The default value is `gummy`.

@@ -199,10 +204,12 @@ Source language for recognition. Default value is `auto`, meaning no specific so

 Specifying the source language can improve recognition accuracy to some extent. You can specify the source language using the language codes above.

-This only applies to Gummy and SOSV models.
+This applies to Gummy, GLM and SOSV models.

 The Gummy model can use all the languages mentioned above, plus Cantonese (`yue`).

+The GLM model supports specifying the following languages: English, Chinese, Japanese, Korean.
+
 The SOSV model supports specifying the following languages: English, Chinese, Japanese, Korean, and Cantonese.

 #### `-k, --api_key`
@@ -213,6 +220,18 @@ Default value is empty.

 This only applies to the Gummy model.

+#### `-gkey, --glm_api_key`  
+
+Specifies the API KEY required for the `glm` model. The default value is empty.  
+
+#### `-gmodel, --glm_model`  
+
+Specifies the model name to be used for the `glm` model. The default value is `glm-asr-2512`.  
+
+#### `-gurl, --glm_url`  
+
+Specifies the API URL required for the `glm` model. The default value is: `https://open.bigmodel.cn/api/paas/v4/audio/transcriptions`.  
+
 #### `-tm, --translation_model`

 Specify the translation method for Vosk and SOSV models. Default is `ollama`.
@@ -226,13 +245,23 @@ This only applies to Vosk and SOSV models.

 #### `-omn, --ollama_name`

-Specify the Ollama model to call for translation. Default value is empty.
+Specifies the name of the translation model to be used, which can be either a local Ollama model or a cloud model compatible with the OpenAI API. If the Base URL field is not filled in, the local Ollama service will be called by default; otherwise, the API service at the specified address will be invoked via the Python OpenAI library.  

-It's recommended to use models with less than 1B parameters, such as: `qwen2.5:0.5b`, `qwen3:0.6b`.
+If using an Ollama model, it is recommended to use a model with fewer than 1B parameters, such as `qwen2.5:0.5b` or `qwen3:0.6b`. The corresponding model must be downloaded in Ollama for normal use.  

-Users need to download the corresponding model in Ollama to use it properly.
+The default value is empty and applies to models other than Gummy.  

-This only applies to Vosk and SOSV models.
+#### `-ourl, --ollama_url`
+
+The base request URL for calling the OpenAI API. If left blank, the local Ollama model on the default port will be called.  
+
+The default value is empty and applies to models other than Gummy.  
+
+#### `-okey, --ollama_api_key`
+
+Specifies the API KEY for calling OpenAI-compatible models.  
+
+The default value is empty and applies to models other than Gummy.  

 #### `-vosk, --vosk_model`

--- a/docs/user-manual/ja.md
+++ b/docs/user-manual/ja.md
@@ -1,6 +1,6 @@
 # Auto Caption ユーザーマニュアル

-対応バージョン：v1.0.0
+対応バージョン：v1.1.0

 この文書は大規模モデルを使用して翻訳されていますので、内容に正確でない部分があるかもしれません。

@@ -41,6 +41,10 @@ macOS プラットフォームでオーディオ出力を取得するには追
 - [API KEY の取得（中国語）](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [環境変数を通じて API Key を設定（中国語）](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+## GLM エンジン使用前の準備
+
+まずAPI KEYを取得する必要があります。参考：[クイックスタート](https://docs.bigmodel.cn/en/guide/start/quick-start)。
+
 ## Voskエンジン使用前の準備

 Voskローカル字幕エンジンを使用するには、まず[Vosk Models](https://alphacephei.com/vosk/models)ページから必要なモデルをダウンロードしてください。その後、ダウンロードしたモデルパッケージをローカルに解凍し、対応するモデルフォルダのパスをソフトウェア設定に追加します。
--- a/docs/user-manual/zh.md
+++ b/docs/user-manual/zh.md
@@ -1,6 +1,6 @@
 # Auto Caption 用户手册

-对应版本：v1.0.0
+对应版本：v1.1.0

 ## 软件简介

@@ -39,6 +39,10 @@ Auto Caption 是一个跨平台的字幕显示软件，能够实时获取系统
 - [获取 API KEY](https://help.aliyun.com/zh/model-studio/get-api-key)
 - [将 API Key 配置到环境变量](https://help.aliyun.com/zh/model-studio/configure-api-key-through-environment-variables)

+## GLM 引擎使用前准备
+
+需要先获取 API KEY，参考：[Quick Start](https://docs.bigmodel.cn/en/guide/start/quick-start)。
+
 ## Vosk 引擎使用前准备

 如果要使用 Vosk 本地字幕引擎，首先需要在 [Vosk Models](https://alphacephei.com/vosk/models) 页面下载你需要的模型。然后将下载的模型安装包解压到本地，并将对应的模型文件夹的路径添加到软件的设置中。
@@ -145,7 +149,7 @@ sudo yum install pulseaudio pavucontrol

 #### `-e , --caption_engine`

-需要选择的字幕引擎模型，目前有三个可用，分别为：`gummy, vosk, sosv`。
+需要选择的字幕引擎模型，目前有四个可用，分别为：`gummy, glm, vosk, sosv`。

 该项的默认值为 `gummy`。

@@ -197,11 +201,13 @@ sudo yum install pulseaudio pavucontrol

 但是指定源语言能在一定程度上提高识别准确率，可用使用上面的语言代码指定源语言。

-该项仅适用于 Gummy 和 SOSV 模型。
+该项适用于 Gummy、GLM 和 SOSV 模型。

 其中 Gummy 模型可用使用上述全部的语言，在加上粤语（`yue`）。

-而 SOSV 模型支持指定的语言有：英语、中文、日语、韩语、粤语。
+GLM 模型支持指定的语言有：英语、中文、日语、韩语。
+
+SOSV 模型支持指定的语言有：英语、中文、日语、韩语、粤语。

 #### `-k, --api_key`

@@ -211,6 +217,18 @@ sudo yum install pulseaudio pavucontrol

 该项仅适用于 Gummy 模型。

+#### `-gkey, --glm_api_key`
+
+指定 `glm` 模型需要使用的 API KEY，默认为空。
+
+#### `-gmodel, --glm_model`
+
+指定 `glm` 模型需要使用的模型名称，默认为 `glm-asr-2512`。
+
+#### `-gurl, --glm_url`
+
+指定 `glm` 模型需要使用的 API URL，默认值为：`https://open.bigmodel.cn/api/paas/v4/audio/transcriptions`。
+
 #### `-tm, --translation_model`

 指定 Vosk 和 SOSV 模型的翻译方式，默认为 `ollama`。
@@ -224,13 +242,23 @@ sudo yum install pulseaudio pavucontrol

 #### `-omn, --ollama_name`

-指定需要调用进行翻译的 Ollama 模型。该项默认值为空。
+指定要使用的翻译模型名称，可以是 Ollama 本地模型，也可以是 OpenAI API 兼容的云端模型。若未填写 Base URL 字段，则默认调用本地 Ollama 服务，否则会通过 Python OpenAI 库调用该地址指向的 API 服务。

-建议使用参数量小于 1B 的模型，比如： `qwen2.5:0.5b`, `qwen3:0.6b`。
+如果使用 Ollama 模型，建议使用参数量小于 1B 的模型，比如： `qwen2.5:0.5b`, `qwen3:0.6b`。需要在 Ollama 中下载了对应的模型才能正常使用。

-用户需要在 Ollama 中下载了对应的模型才能正常使用。
+默认值为空，适用于除了 Gummy 外的其他模型。

-该项仅适用于 Vosk 和 SOSV 模型。
+#### `-ourl, --ollama_url`
+
+调用 OpenAI API 的基础请求地址，如果不填写则调用本地默认端口的 Ollama 模型。
+
+默认值为空，适用于除了 Gummy 外的其他模型。
+
+#### `-okey, --ollama_api_key`
+
+指定调用 OpenAI 兼容模型的 API KEY。
+
+默认值为空，适用于除了 Gummy 外的其他模型。

 #### `-vosk, --vosk_model`

--- a/engine/main.py
+++ b/engine/main.py
@@ -185,7 +185,7 @@ def main_glm(a: int, c: int, url: str, model: str, key: str, s: str, t: str, tm:
 if __name__ == "__main__":
    parser = argparse.ArgumentParser(description='Convert system audio stream to text')
    # all
-    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy or vosk or sosv')
+    parser.add_argument('-e', '--caption_engine', default='gummy', help='Caption engine: gummy, glm, vosk or sosv')
    parser.add_argument('-a', '--audio_type', type=int, default=0, help='Audio stream source: 0 for output, 1 for input')
    parser.add_argument('-c', '--chunk_rate', type=int, default=10, help='Number of audio stream chunks collected per second')
    parser.add_argument('-p', '--port', type=int, default=0, help='The port to run the server on, 0 for no server')
@@ -193,7 +193,7 @@ if __name__ == "__main__":
    parser.add_argument('-t', '--target_language', default='none', help='Target language code, "none" for no translation')
    parser.add_argument('-r', '--record', type=int, default=0, help='Whether to record the audio, 0 for no recording, 1 for recording')
    parser.add_argument('-rp', '--record_path', default='', help='Path to save the recorded audio')
-    # gummy and sosv
+    # gummy and sosv and glm
    parser.add_argument('-s', '--source_language', default='auto', help='Source language code')
    # gummy only
    parser.add_argument('-k', '--api_key', default='', help='API KEY for Gummy model')
--- a/engine/main.spec
+++ b/engine/main.spec
@@ -16,7 +16,6 @@ else:
 a = Analysis(
    ['main.py'],
    pathex=[],
-    # binaries=[('portaudio/lib/.libs/libportaudio.2.dylib', '.')],
    binaries=[],
    datas=[(vosk_path, 'vosk')],
    hiddenimports=[],
@@ -33,27 +32,21 @@ pyz = PYZ(a.pure)
 exe = EXE(
    pyz,
    a.scripts,
+    a.binaries,
+    a.datas,
    [],
-    exclude_binaries=True,
    name='main',
    debug=False,
    bootloader_ignore_signals=False,
    strip=False,
    upx=True,
+    upx_exclude=[],
+    runtime_tmpdir=None,
    console=True,
    disable_windowed_traceback=False,
    argv_emulation=False,
    target_arch=None,
    codesign_identity=None,
    entitlements_file=None,
-)
-
-coll = COLLECT(
-    exe,
-    a.binaries,
-    a.datas,
-    strip=False,
-    upx=True,
-    upx_exclude=[],
-    name='main',
+    onefile=True,
 )