7.2 KiB
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。
v0.3.0 バージョンがリリースされました。ローカル字幕エンジンを追加予定の v1.0.0 バージョンを現在開発中...
📥 ダウンロード
📚 関連ドキュメント
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。デフォルトの Gummy 字幕エンジンを使用するには、まず Alibaba Cloud Bailian プラットフォームから API KEY を取得し、その API KEY をソフトウェア設定に追加するか、環境変数に設定する必要があります（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しています）。
国際版の Alibaba Cloud サービスには Gummy モデルが提供されていないため、現在中国以外のユーザーはデフォルトの字幕エンジンを使用できません。すべてのユーザーがデフォルトの字幕エンジンを使用できるように、新しいローカル字幕エンジンを開発中です。
関連チュートリアル：
字幕エンジンの動作原理を理解したい場合、または独自の字幕エンジンを開発したい場合は、字幕エンジン説明ドキュメントを参照してください。
✨ 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1つの字幕エンジンが組み込まれており、2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 をベースに開発予定で、現在実験中です。
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 --onefile main-gummy.py
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