mirror of https://github.com/HiMeditator/auto-caption.git synced 2026-02-04 04:06:09 +08:00

Files

himeditator 604f8becc9 fix: 添加构建说明、修复 vosk 提示逻辑

- 优化 EngineStatus 组件中的引擎启动逻辑，增加对 vosk 引擎的判断
- 在 README.md、README_en.md 和 README_ja.md 中添加 macOS 截图

2025-07-11 02:31:10 +08:00

9.5 KiB

Raw Permalink Blame History

auto-caption

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。

| 简体中文 | English | 日本語 |

Voskローカル字幕エンジンを含む v0.4.0 バージョンがリリースされました。現在、ローカル字幕エンジンには翻訳機能が含まれておりません。ローカル翻訳モジュールは現在も開発中です...

📥 ダウンロード

GitHub Releases

📚 関連ドキュメント

Auto Caption ユーザーマニュアル

字幕エンジン説明ドキュメント

プロジェクト API ドキュメント（中国語）

📖 基本使い方

現在、Windows と macOS プラットフォーム向けのインストール可能なバージョンを提供しています。

阿里雲の国際版サービスでは Gummy モデルを提供していないため、現在中国以外のユーザーは Gummy 字幕エンジンを使用できません。

デフォルトの Gummy 字幕エンジン（クラウドベースのモデルを使用した音声認識と翻訳）を使用するには、まず阿里雲百煉プラットフォームから API KEY を取得する必要があります。その後、API KEY をソフトウェア設定に追加するか、環境変数に設定します（Windows プラットフォームのみ環境変数からの API KEY 読み取りをサポート）。関連チュートリアル：

Vosk モデルの認識精度は低いため、注意してご使用ください。

Vosk ローカル字幕エンジンを使用するには、まず Vosk Models ページから必要なモデルをダウンロードし、ローカルに解凍した後、モデルフォルダのパスをソフトウェア設定に追加してください。現在、Vosk 字幕エンジンは字幕の翻訳をサポートしていません。

上記の字幕エンジンがご要望を満たさず、かつ Python の知識をお持ちの場合、独自の字幕エンジンを開発することも可能です。詳細な説明は字幕エンジン説明書をご参照ください。

✨ 特徴

クロスプラットフォーム、多言語 UI サポート
豊富な字幕スタイル設定
柔軟な字幕エンジン選択
多言語認識と翻訳
字幕記録の表示とエクスポート
オーディオ出力またはマイク入力からの字幕生成

注記：

Windows と macOS プラットフォームはオーディオ出力とマイク入力の両方からの字幕生成をサポートしていますが、macOS プラットフォームでシステムオーディオ出力を取得するには設定が必要です。詳細はAuto Caption ユーザーマニュアルをご覧ください。
Linux プラットフォームは現在システムオーディオ出力を取得できず、マイク入力からの字幕生成のみをサポートしています。

⚙️ 字幕エンジン説明

現在ソフトウェアには2つの字幕エンジンが組み込まれており、1つの新しいエンジンを計画中です。詳細は以下の通りです。

Gummy 字幕エンジン（クラウド）

Tongyi Lab の Gummy 音声翻訳大規模モデルをベースに開発され、Alibaba Cloud Bailian の APIを使用してこのクラウドモデルを呼び出します。

モデル詳細パラメータ：

サポートするオーディオサンプルレート：16kHz以上
オーディオサンプルビット深度：16bit
サポートするオーディオチャンネル：モノラル
認識可能な言語：中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、イタリア語、スペイン語
サポートする翻訳：
- 中国語 → 英語、日本語、韓国語
- 英語 → 中国語、日本語、韓国語
- 日本語、韓国語、ドイツ語、フランス語、ロシア語、イタリア語、スペイン語 → 中国語または英語

ネットワークトラフィック消費量：

字幕エンジンはネイティブサンプルレート（48kHz と仮定）でサンプリングを行い、サンプルビット深度は 16bit、アップロードオーディオはモノラルチャンネルのため、アップロードレートは約：


48000\ \text{samples/second} \times 2\ \text{bytes/sample} \times 1\ \text{channel}  = 93.75\ \text{KB/s}

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。

Vosk字幕エンジン（ローカル）

vosk-api をベースに開発されています。現在は音声に対応する原文の生成のみをサポートしており、翻訳コンテンツはサポートしていません。

FunASR字幕エンジン（ローカル）

可能であれば、FunASR をベースに開発予定です。まだ調査と実現可能性の検証を行っていません。

🚀 プロジェクト実行

依存関係のインストール

npm install

字幕エンジンの構築

まず caption-engine フォルダに入り、以下のコマンドを実行して仮想環境を作成します：

# ./caption-engine フォルダ内
python -m venv subenv
# または
python3 -m venv subenv

次に仮想環境をアクティブにします：

# Windows
subenv/Scripts/activate
# Linux または macOS
source subenv/bin/activate

その後、依存関係をインストールします（Linux または macOS 環境の場合、requirements.txt 内の PyAudioWPatch をコメントアウトする必要があります。このモジュールは Windows 環境専用です）。

このステップでエラーが発生する場合があります。一般的にはビルド失敗が原因で、エラーメッセージに基づいて対応するビルドツールパッケージをインストールする必要があります。

pip install -r requirements.txt

その後、pyinstaller を使用してプロジェクトをビルドします：

pyinstaller ./main-gummy.spec
pyinstaller ./main-vosk.spec

main-vosk.spec ファイル内の vosk ライブラリのパスが正しくない可能性があるため、実際の状況に応じて設定する必要があります。

# Windows
vosk_path = str(Path('./subenv/Lib/site-packages/vosk').resolve())
# LinuxまたはmacOS
vosk_path = str(Path('./subenv/lib/python3.x/site-packages/vosk').resolve())

これでプロジェクトのビルドが完了し、caption-engine/dist フォルダ内に対応する実行可能ファイルが確認できます。その後、次の操作に進むことができます。

プロジェクト実行

npm run dev

プロジェクト構築

現在、ソフトウェアは Windows と macOS プラットフォームでのみ構築とテストが行われており、Linux プラットフォームでの正しい動作は保証できません。

# Windows 用
npm run build:win
# macOS 用
npm run build:mac
# Linux 用
npm run build:linux

注意: プラットフォームに応じて、プロジェクトルートディレクトリにある electron-builder.yml ファイルの設定内容を変更する必要があります:

extraResources:
  # Windows用
  - from: ./caption-engine/dist/main-gummy.exe
    to: ./caption-engine/main-gummy.exe
  - from: ./caption-engine/dist/main-vosk.exe
    to: ./caption-engine/main-vosk.exe
  # macOSとLinux用
  # - from: ./caption-engine/dist/main-gummy
  #   to: ./caption-engine/main-gummy
  # - from: ./caption-engine/dist/main-vosk
  #   to: ./caption-engine/main-vosk

9.5 KiB Raw Permalink Blame History Unescape Escape