更多AI前沿科技资讯，请关注我们：https://aigc.douyoubuy.cn/
【closerAI】太绝了！本地“实时字幕+语音输入法”的解决方案：把声音变成字幕，把话变成正在输入的文字！
大家好，我是Jimmy。
之前我有分享过关于ASR，音频转文本的一些解决方案，目前最近的是qwen3-ASR的模型：【closerAI ComfyUI】实时字幕、精准对齐、方言识别， 阿里 Qwen3-ASR 震撼发布，AI 语音交互的最后一块拼图齐了！支持 52 种语言方言
最近有个项目也是基于qwen3-ASR做深度优化，做到更低延迟和高准确率。就是网易有道开源的 Confucius4-R2T2 ，它是在通义千问 Qwen3-ASR 基础模型架构上进行深度优化和二次训练而来的。
主要在以下几个核心维度实现了显著的超越和优化：
1. 极致的流式稳定性：“只增不减、永不回滚”
2. 完美的“低延迟”与“高准确率”兼得（无损离线精度）
3. 工程落地的生产级优化与多后端支持
项目地址：https://github.com/netease-youdao/Confucius4-R2T2
在qwen3 ASR出来之前就想用它形成一个实时字幕的应用的。这不，这次我基于这个项目二次开发一个本地算力就能处理所有声音转文本的应用：closerAI实时字幕。
解决什么问题？
1、视频没有字幕，或说话太快：捕获系统声音，逐段显示字幕；也能识别麦克风中的声音。
2、外语内容看不懂：按需开启翻译，选择目标语言，双语对照帮助理解。翻译默认关闭。
3、长段文字不想一直敲：将光标放到兼容的输入框，使用自定义听写快捷键，把讲话转成文字。
可以用在哪些场景？
- 外语视频与课程：观看教程、访谈或课程时，显示原文字幕，并按需启用中文翻译。
- 线上会议与分享：回看近期字幕上下文，结束后从识别历史导出文字，再自行整理记录。
- 消息、邮件和文档：先口述草稿，校对后发送，减少长段输入的负担。
- AI 提示词：说清背景、目标与限制，把长段需求写入 AI 对话输入框，确认后手动发送。
字幕在眼前，工具不抢镜
悬浮字幕支持拖动、置顶、字体颜色、背景透明度和窗口高度调整。可竖式展示上下文。识别历史支持查看、导出 TXT / JSON 和删除。
支持竖式展示：
提供日间与深色模式、桌面浮窗和托盘常驻，方便随时调用。
桌面浮窗界面示例
主要功能演示：
模式一：麦克风输入，实时转字幕：即通过麦克风说话来实时转文字。
模式二：系统声音实时字幕功能：即电脑播放视频，即可实时字幕
模式三：全局监听实时字幕，用于跨应用语音转文字输入
开启后，或用快捷键打开：
会显示正在听，然后会实时输入到对应应用的输入框中。
更多的功能演示：
以上就是关于这个项目的一成果演示。
如果对你有启发，请一键三连支持下我，你的支持是我持续输出的源泉！谢谢。
原文地址：https://aigc.douyoubuy.cn/closerai-voicedesk/
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
评论(0)