预览
主要功能
- 录音：软件内选择系统声音、麦克风或指定软件，如腾讯会议、浏览器、播放器（免音频驱动）。
- 语音识别：基于 OpenAI Whisper 模型的语音转文字。
- 翻译：软件内自由切换引擎，支持 Ollama，OpenAI 等开放接口格式。
- 保存：完成录制后自动保存音频、原本、译文、时间轴。
- 导出：格式支持 SRT，TXT，VTT。
硬件要求
- macOS 系统。M1及以上系列芯片。
- Windows 系统还在测试阶段。
官网地址
- 去 AI Hear 网站免费下载使用 https://hear.thucydides.net/zh-cn/
作者心声
可能有人会问制作这款软件的动机。本文试着解答。
缘起
年初（2024年），家夫人单位业务拓展到美国，工作内容上了强度，需要与美国人沟通。中文环境下能说会道，用英语说就犯了难，最大的问题是听力差。
听不懂，看得懂就行。知道问题所在，就开始找“药方”，找同传软件。找到一款国内大厂出品的软件，花了 ¥98，效果呢，非常一般，没法开展工作的。
OpenAI Whisper 语音转文字模型
说到语音识别，常被称作语音转文字，我在想为什么不用 OpenAI Whisper 模型呢？Whisper 模型是 OpenAI 为数不多的开源模型，2023 年初就已开源，它的英文识别准确率真的强，我还曾用过它生成的字幕学英语生词。
开始在应用商店找基于 Whisper 模型的语音识别软件，无一例外的，这些软件只支持先录音再转文字。这就完全无法满足开会，这种要求实时的场景了。
技术上来说，Whisper 模型不是一个实时模型，可能这是制约了很多开发商不做实时语音转文字的一个理由。
让 Whisper 实时
眼馋 Whisper 模型语音转文字的效果之好，开始跟小伙伴一起尝试让 Whisper 模型实时转文字。答案是，确实可行，最终也成为形成了 AI Hear 这款软件。可行的基础，我想有这么几个：
- 自 2020 年起，苹果公司在 Mac 上全面使用 Apple Silicon 处理器。相比起之前的架构，这些芯片在机器学习方面有更强的性能。
- Georgi Gerganov 大神使用 C++ 重写了一遍 Whisper 模型的推理代码，应该是在 macOS 效率最高的 Whisper 推理实现了。
AI Hear 产品
现在的 AI Hear 支持：
- 录音，支持后续导出。
- 基于 Whisper 的语音转文字。
- 支持 Ollama 本地翻译、及其他翻译引擎。
- 导出文字、字幕。
理想情况下，不依赖网络，一台电脑在本地就可以做到实时语音转文字 + 翻译。
我们的目标是让这款软件成为一款好用的、可以被买断的产品，安静躺在电脑里，想用就用，不需要再为云厂商缴纳月费了。
尾声
软件本身还有很多需要优化和改进的地方，欢迎指正。
