ScribeAir

Офлайн голосовой ввод для Windows — push-to-talk и голосовая активация

Говорите — текст появится в позиции курсора. Зажмите горячую клавишу или скажите «запись». Работает в любом приложении.

Скачать | Возможности | Бенчмарки | Установка | English

GigaAM достигает 3.3% WER на русском языке (CPU) — превосходит все модели Whisper, включая RTX 4090 GPU. Полностью офлайн после первой загрузки моделей. Бесплатно и с открытым исходным кодом.

Почему ScribeAir?

• Офлайн — работает без интернета (голосовой ввод Windows, Google, Dragon требуют облако)
• Лучшее качество для русского — 3.3% WER vs ~25% Windows, ~10% Google, ~8% Dragon
• Бесплатно и с открытым кодом — MIT лицензия (Dragon стоит $300+, Google берёт за каждый запрос)
• Настраиваемый — 3 ASR-движка на выбор (GigaAM, Whisper, Vosk)
• Приватный — 100% локально, ваша речь никогда не покидает компьютер

Скачать

Готовые EXE-файлы для Windows доступны в Releases — Python не требуется.

Распакуйте ZIP и запустите ScribeAir.exe. Модели загрузятся автоматически при первом запуске.

Возможности

• Push-to-talk запись с настраиваемыми горячими клавишами (LShift+RShift, Win+Shift и др.)
• Голосовая активация — скажите «запись» / «record» для начала, «стоп» / «stop» для завершения
• 3 ASR-движка: Whisper (GPU/CPU), GigaAM (ONNX, оптимизирован для русского), Vosk (легковесный)
• Прогрессивная транскрипция — промежуточные результаты в реальном времени во время записи
• Замена IT-терминов — автоматическая конвертация питон→Python, гугл→Google (81 термин с морфологией)
• Оверлей с прогрессом транскрипции в реальном времени
• Потоковый пайплайн с Silero VAD для мгновенного определения голоса
• Полностью офлайн после первоначальной загрузки моделей
• Мультиязычность: русский, английский, автоопределение, смешанный RU+EN, перевод RU→EN
• Коррекция текста T5 для исправления ошибок распознавания
• Интерфейс в системном трее с полным меню настроек
• GPU-ускорение через NVIDIA CUDA (автооткат на CPU)
• Два варианта сборки — CUDA (~4.9 ГБ) и CPU-only (~800 МБ)
• Пользовательский словарь для специфичных терминов
• Автозапуск с Windows

Архитектура

Wake Word (OWW)  ──→  Запись  ──→  Прогрессивный GigaAM (предпросмотр)
  или Хоткей             │                    │
                         ▼                    ▼ «стоп/stop»
                   Silero VAD  →  ASR-движок  →  Замена терминов  →  Буфер обмена
                                  ├── GigaAM  (русский, CPU)
                                  ├── Whisper  (мультиязычный, GPU/CPU)
                                  └── Vosk     (легковесный, CPU)

Качество распознавания

Результаты на русских аудиокнигах (подробные бенчмарки):

Движок     Модель             WER     Снижение    Задержка
─────────  ─────────────────  ──────  ──────────  ──────────
GigaAM     v3-e2e-rnnt        3.3%   90.0%       0.66с (CPU)
GigaAM     v3-rnnt            3.3%   90.0%       0.82с (CPU)
GigaAM     v3-e2e-ctc         4.2%   87.2%       1.08с (CPU)
Whisper    large-v3-turbo     7.9%   75.7%       0.44с (GPU)
Whisper    large-v3           8.8%   72.9%       2.30с (GPU)
Whisper    medium            10.7%   67.2%       1.75с (GPU)
Vosk       small-ru          13.0%   60.0%       0.75с (CPU)
Whisper    base (baseline)   32.6%   —           0.42с (CPU)

Главный вывод: GigaAM на CPU (3.3% WER) превосходит Whisper large-v3-turbo на RTX 4090 GPU (7.9% WER) для русского языка.

Установка

Из исходников

Требования: Windows 10/11, Python 3.10+, 8 ГБ RAM, микрофон.

git clone https://github.com/borisovai/scribe-air.git
cd scribe-air

python -m venv venv
venv\Scripts\Activate.ps1

pip install -r requirements.txt
venv\Scripts\python.exe src\main.py

Модели загрузятся автоматически при первом запуске (~240 МБ для GigaAM, ~1.6 ГБ для Whisper).

Рекомендуемые требования (для GPU):

• NVIDIA GPU с 6+ ГБ VRAM
• CUDA 12.x

Использование

1. Запустите приложение — иконка микрофона появится в системном трее
2. Дождитесь загрузки модели (иконка сменится с синей на серую)
3. Начните запись любым способом:
   • Горячая клавиша — зажмите LShift + RShift (настраивается), отпустите для завершения
   • Голосом — скажите «запись» / «record» для начала, «стоп» / «stop» для завершения
4. Говорите в микрофон
5. Текст будет вставлен в позицию курсора

Голосовая активация (Wake Word)

Включите «Wake Word» в меню трея для работы без рук — хоткей не нужен, полностью голосовое управление.

Меню трея (правый клик)

• Язык — Автоопределение, Русский, Английский, RU+EN Смешанный, RU→EN Перевод
• Модель — Tiny, Small, Medium, Large v3, Large v3 Turbo
• ASR-движок — Auto, Whisper, GigaAM, Vosk
• Модель GigaAM — v2-ctc, v3-rnnt, v3-e2e-rnnt и др.
• Горячая клавиша — Комбинация для push-to-talk
• Аудиоустройство — Выбор входного микрофона
• Wake Word — Вкл/выкл голосовой активации (скажите «запись»/«record» для начала)
• Замена IT-терминов — Вкл/выкл автоматической конвертации кириллица→латиница
• Коррекция текста (T5) — Вкл/выкл коррекции T5
• Запуск с Windows — Вкл/выкл автозапуска
• Показать/Скрыть консоль — Открыть консоль с логами

Конфигурация

Настройки хранятся в %APPDATA%\ScribeAir\config.json:

{
  "language_mode": "auto",
  "model": "large-v3-turbo",
  "device": "cuda",
  "hotkey": "shift+shift",
  "asr_backend": "auto",
  "gigaam_model": "v3-e2e-rnnt",
  "llm_correction_enabled": true,
  "custom_vocabulary": ["Kubernetes", "PostgreSQL"]
}

Режимы ASR-движка

• auto — По умолчанию: GigaAM для русского на CPU, Whisper на GPU (3.3–7.9% WER, 0.4–0.8с)
• whisper — Английский или GPU-ускоренное распознавание (7.9% WER, 0.44с на GPU)
• gigaam — Русский на CPU, лучшее качество (3.3% WER, 0.66с)
• vosk — Минимальная задержка, короткие фразы (13% WER, 0.7с)

Сборка EXE

# Собрать оба варианта
venv\Scripts\python.exe build.py

# Только CPU или CUDA
venv\Scripts\python.exe build.py cpu
venv\Scripts\python.exe build.py cuda

• CUDA (~4.9 ГБ) — Полная GPU-поддержка, включает NVIDIA DLL
• CPU (~800 МБ) — Только CPU, без зависимостей CUDA

AI-модели не включены в сборку — загружаются автоматически при первом запуске и кешируются в %APPDATA%\ScribeAir\models\.

Структура проекта

scribe-air/
├── src/
│   ├── main.py                 # Точка входа
│   ├── config.py               # Управление конфигурацией
│   ├── hotkey.py               # Глобальные горячие клавиши
│   ├── recorder.py             # Запись аудио (sounddevice)
│   ├── transcriber.py          # Транскрипция Whisper
│   ├── gigaam_transcriber.py   # Транскрипция GigaAM (ONNX)
│   ├── vosk_transcriber.py     # Транскрипция Vosk
│   ├── streaming_pipeline.py   # Потоковый VAD + транскрипция
│   ├── wakeword_listener.py    # Обнаружение слов-активаторов (openWakeWord)
│   ├── term_replacer.py        # Замена IT-терминов (кириллица → латиница)
│   ├── audio_processor.py      # Предобработка аудио
│   ├── text_corrector_t5.py    # Коррекция текста T5
│   ├── model_downloader.py     # Загрузка моделей с фоллбэком
│   ├── inserter.py             # Вставка текста через буфер обмена
│   ├── overlay.py              # Плавающее окно транскрипции
│   ├── tray.py                 # Интерфейс системного трея
│   └── autostart.py            # Автозапуск Windows
├── wakeword_data/models/       # ONNX-модели для слов-активаторов
├── tests/                      # Тесты (pytest)
├── docs/guides/                # Руководства
├── assets/icon.ico             # Иконка приложения
├── requirements.txt            # Зависимости
├── voice_app.spec              # Конфигурация PyInstaller
└── build.py                    # Скрипт сборки

Решение проблем

• Модель не загружается — Проверьте интернет-соединение. Первая загрузка ~240 МБ–1.6 ГБ с HuggingFace. Модели кешируются в %APPDATA%\ScribeAir\models\
• Нет звука — Проверьте микрофон в настройках звука Windows. Выберите устройство в меню трея «Аудиоустройство»
• GPU не используется — Установите CUDA 12.x, обновите драйверы NVIDIA. Установите "device": "cuda" в конфиге. Используйте CUDA-сборку
• Текст не вставляется — Убедитесь, что курсор в текстовом поле. Попробуйте сначала в Блокноте
• Отладка — Правый клик по иконке в трее → «Показать консоль». Лог: %APPDATA%\ScribeAir\scribe_air.log

Тестирование

pip install -r requirements-dev.txt
pytest tests/ -v

Участие в разработке

Мы рады вашим вкладам! См. CONTRIBUTING.md.

Лицензия

MIT License. См. LICENSE.

Благодарности

• GigaAM — ASR-модель для русского языка (Сбер, 700K часов обучения)
• faster-whisper — Оптимизированная реализация Whisper
• onnx-asr — ONNX-инференс для ASR
• Vosk — Легковесное офлайн-распознавание речи
• Silero VAD — Нейросетевое определение голоса
• bond005/ruT5-ASR-large — T5 коррекция русского текста