本地語音辨識字幕生成工具。基於 Qwen3-ASR-0.6B 模型， 使用 OpenVINO INT8 量化推理，目前版本不使用 GPU，純 CPU 即可執行。 此版本辨識率普通，主要是要你同事、你同學，拷貝給你阿嬤都能免費進行語音辨識。 之後會調整一個使用 Python 環境的 GPU 專業版本，以提升辨識的正確性和給 LLM 使用。
- 音訊檔案（MP3 / WAV / FLAC / M4A / OGG）→ SRT 字幕
- 即時語音辨識（麥克風輸入），並非完全串流即時，會在停頓中自動處理辨識
- 自動 VAD 靜音偵測，分段轉錄
- 說話者分離（Speaker Diarization）：可指定說話人數，SRT 自動標記說話者身份
- 多語系辨識：支援中文、日文、英文等 30 種語系，亦可設為自動偵測
- 辨識提示（參考文字）：可貼入歌詞、關鍵字或背景說明，提升辨識準確度
- 繁體中文輸出，可辨識中英混合
- 首次執行請選擇資料夾自動下載模型（約 1.2 GB）
- Portable 版本包括模型開箱即用，Basic 版本檔案較小，採自動下載模型
- 若系統已有 Python 虛擬環境且已安裝需求，可執行
app.py，使用build.bat可建立為 exe 檔案
- 啟動後，上方狀態列確認顯示 「✅ 就緒（CPU）」，表示模型已載入完成
- 點選「瀏覽…」選擇音訊檔案（MP3、WAV、FLAC、M4A 等均支援）
- 點選「▶ 開始轉換」，下方進度列與記錄視窗會即時顯示各段處理狀態
- 完成後點選「📁 開啟輸出資料夾」即可取得
.srt字幕檔
首次啟動若模型尚未下載，程式會自動提示選擇存放資料夾並開始下載（約 1.2 GB），完成後自動載入。
- 切換至「即時轉換」分頁
- 在下拉選單選擇正確的音訊輸入裝置：
- 筆電通常選擇預設的麥克風陣列（Microphone Array）
- 桌機請選擇對應的麥克風裝置
- 若清單顯示異常，點選「重新整理」更新裝置列表
- 點選「▶ 開始錄音」後，對著麥克風說話
- 辨識並非完全即時串流，系統會在說話停頓的過程中進行辨識處理，停頓約 0.8 秒後自動觸發，結果以時間戳記顯示在下方字幕區
- 點選「■ 停止錄音」結束，可再點選「💾 儲存 SRT」將累積的字幕存檔
音檔轉字幕時，可勾選「說話者分離」，並透過「人數」下拉選單指定說話人數（自動 / 2–8 人）。開啟後，SRT 字幕的每一段文字會自動加上「說話者1：」、「說話者2：」等標記。
適用場景與限制：
- Podcast、NotebookLM 雙人對談等輪流說話的形式效果最佳，分段清楚明顯
- 多人會議或同時說話的情境效果較不理想
- 首次使用時，程式會自動提示下載說話者分離模型（約 32 MB），下載完成即可啟用
建議： 已知說話人數時請明確指定，可有效避免過度分割（例如 2 人對話被誤判為 5 人）。
上方工具列新增「語系」下拉選單，可強制指定辨識語言（預設為自動偵測）。支援中文、日文、英文、韓文、法文等共 30 種語系，對音檔轉字幕及即時辨識均有效。
- 自動偵測：模型依音訊內容判斷語言，適合多語混合的音訊
- 指定語系（如「Japanese」）：鎖定語言，可減少誤辨的情形
- 日語歌詞辨識的掉字率較中文高，但咬字清晰的音調仍能正確辨識
在「音檔轉字幕」和「即時轉換」分頁各新增一個「辨識提示」文字框，可貼入歌詞、關鍵字或背景說明文字，協助 ASR 模型提升辨識準確度。
- 應用範例： 貼入 Suno 歌詞，再進行即時演唱辨識，確認歌詞是否唱正確
- 有參考文字的情況下，歌詞辨識的字詞準確度相對較高
- 亦可讀入
.txt檔案，或使用右鍵選單直接貼上文字
git pull拉取後直接執行 app.py 即可，程式啟動時會自動檢查模型完整性並在必要時補齊缺少的檔案。
- 已下載過 Portable 版本的使用者：不需重新下載 Portable，僅需下載 Basic 版本，解壓縮後覆蓋現有資料夾即可。
- 啟動後程式會自動檢查模型完整性；若為首次使用說話者分離功能，會彈出提示下載說話者分離模型（約 32 MB）。
- 原有的
Subtitle輸出資料夾內容不會受到影響。
| 項目 | 最低要求 |
|---|---|
| 作業系統 | Windows 10 / 11（64-bit） |
| Python | 3.10 以上 |
| RAM | 6 GB（推理時峰值約 4.8 GB） |
| 硬碟空間 | 2 GB（模型 1.2 GB + 程式） |
| CPU | Intel 11th Gen+ 或同等級 AMD |
GPU 非必要。OpenVINO GPU 目前僅支援 Intel GPU，不支援 NVIDIA。
| 項目 | 連結 |
|---|---|
| OpenVINO INT8 量化版（主要下載源） | dseditor/Qwen3-ASR-0.6B-INT8_ASYM-OpenVINO |
| OpenVINO INT8 量化版（備用下載源） | Echo9Zulu/Qwen3-ASR-0.6B-INT8_ASYM-OpenVINO |
| 原始 PyTorch 模型 | Qwen/Qwen3-ASR-0.6B |
| VAD 模型 | snakers4/silero-vad v4.0 |
| 說話者分離模型（分段 + 聲紋） | altunenes/speaker-diarization-community-1-onnx |
processor_numpy.py 的 BPE prompt 模板需要從原始模型提取一次。
若更換模型版本，請在有 torch + transformers 的環境中執行 generate_prompt_template.py：
python generate_prompt_template.py這會在目錄下產生：
prompt_template.json：Prompt token ID 模板，執行程式時必須存在於根目錄ov_models/mel_filters.npy：Mel 濾波器矩陣
app.py # CustomTkinter GUI 主程式
downloader.py # 模型完整性檢查與自動下載（含備援 URL）
processor_numpy.py # 純 numpy Mel / BPE 處理器（不依賴 torch）
diarize.py # 說話者分離引擎（兩階段聚類，不依賴 torch）
generate_prompt_template.py # 從原始模型提取 prompt 模板
prompt_template.json # Chat template token ID（含語系 suffix IDs）
ov_models/
mel_filters.npy # 預計算 Mel 濾波器
silero_vad_v4.onnx # VAD 靜音偵測模型（執行後下載）
qwen3_asr_int8/ # OpenVINO INT8 模型（執行後下載，~1.2 GB）
diarization/ # 說話者分離 ONNX 模型（首次使用時下載，~32 MB）
segmentation-community-1.onnx
embedding_model.onnx
本專案程式碼以 MIT 授權釋出。模型權重依各自來源的授權條款。