impressionyang
49313f15f9
- 修复导出功能：SRT/JSON 格式直接输出纯文本的 bug - 新增 SRT 导出：按句子分段，均匀分配时间戳，支持字幕格式 - 新增 JSON 导出：结构化数据，包含文件信息、时长、采样率等元数据 - 新增 TXT 导出：包含文件信息和音频参数的格式化文本 - 记录音频文件信息 (时长/采样率/声道数) 用于导出 Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
140 lines
4.0 KiB
Markdown
140 lines
4.0 KiB
Markdown
# Impress Voice Input
|
||
|
||
基于 ONNX 的实时语音转文本输入法，C++ 跨平台实现。
|
||
|
||
## 功能特性
|
||
|
||
- **实时语音识别** — 麦克风采集，流式输出识别结果
|
||
- **音频文件转写** — 支持 WAV/MP3/FLAC，批量处理，导出 TXT/SRT
|
||
- **跨平台 GUI** — Qt 6 构建，支持 Windows / macOS / Linux
|
||
- **本地推理** — ONNX Runtime，支持 CPU/GPU 加速
|
||
- **可配置** — 模型路径、推理参数、快捷键均可自定义
|
||
|
||
## 项目结构
|
||
|
||
```
|
||
impress_voice_input/
|
||
├── CMakeLists.txt # 构建配置
|
||
├── PRD.md # 产品需求文档
|
||
├── cmake/ # CMake 模块
|
||
│ └── dependencies.cmake # 依赖查找
|
||
├── src/
|
||
│ ├── main.cpp # 入口
|
||
│ ├── app/ # 应用层 (Application, ConfigManager)
|
||
│ ├── core/ # 核心 (STTEngine, AudioProcessor, Decoder, Tokenizer)
|
||
│ ├── audio/ # 音频 (AudioCapture, AudioDecoder, RingBuffer)
|
||
│ ├── ui/ # GUI 页面与控件
|
||
│ │ ├── main_window.cpp # 主窗口
|
||
│ │ ├── stt_test_page.cpp # 实时识别页
|
||
│ │ ├── file_transcribe_page.cpp # 文件转写页
|
||
│ │ ├── settings_page.cpp # 配置页
|
||
│ │ └── widgets/ # 自定义控件
|
||
│ └── utils/ # 工具类
|
||
├── configs/ # 配置文件
|
||
├── models/ # ONNX 模型存放目录
|
||
└── third_party/ # 第三方依赖
|
||
```
|
||
|
||
## 技术栈
|
||
|
||
| 组件 | 选型 |
|
||
|------|------|
|
||
| GUI | Qt 6 |
|
||
| 推理引擎 | ONNX Runtime (C++ API) |
|
||
| 音频采集 | PortAudio |
|
||
| 音频解码 | dr_libs (dr_wav, dr_mp3, dr_flac) |
|
||
| 构建系统 | CMake 3.20+ |
|
||
| 配置存储 | nlohmann/json |
|
||
|
||
## 编译指南
|
||
|
||
### 前置依赖
|
||
|
||
1. **CMake** >= 3.20
|
||
2. **Qt 6** >= 6.5
|
||
3. **ONNX Runtime** C++ 库
|
||
4. **PortAudio**
|
||
5. C++17 兼容编译器 (GCC 9+ / Clang 10+ / MSVC 2019+)
|
||
|
||
### 第三方库准备
|
||
|
||
```bash
|
||
# 放入 third_party/ 目录
|
||
third_party/
|
||
├── onnxruntime/
|
||
│ ├── include/
|
||
│ └── lib/
|
||
├── portaudio/
|
||
│ ├── include/
|
||
│ └── lib/
|
||
├── dr_libs/
|
||
│ ├── dr_wav.h
|
||
│ ├── dr_mp3.h
|
||
│ └── dr_flac.h
|
||
└── nlohmann_json/
|
||
└── json.hpp
|
||
```
|
||
|
||
### 编译
|
||
|
||
```bash
|
||
mkdir build && cd build
|
||
cmake .. -DCMAKE_BUILD_TYPE=Release
|
||
cmake --build . -j$(nproc)
|
||
```
|
||
|
||
### 带测试编译
|
||
|
||
```bash
|
||
cmake .. -DCMAKE_BUILD_TYPE=Release -DBUILD_TESTS=ON
|
||
cmake --build . -j$(nproc)
|
||
ctest
|
||
```
|
||
|
||
## 运行
|
||
|
||
```bash
|
||
# 默认启动
|
||
./impress_voice_input
|
||
|
||
# 指定配置文件
|
||
./impress_voice_input --config /path/to/config.json
|
||
|
||
# 指定模型
|
||
./impress_voice_input --model /path/to/model.onnx
|
||
```
|
||
|
||
## 模型准备
|
||
|
||
支持以下 ONNX 格式模型：
|
||
- **Whisper** (small/medium) — 多语言，高质量
|
||
- **Paraformer** — 中文优化
|
||
- 其他兼容 CTC 的 ASR 模型
|
||
|
||
将 `.onnx` 模型文件放入 `models/` 目录，然后在配置页面设置路径。
|
||
|
||
## 当前状态
|
||
|
||
项目处于 **核心推理实现阶段**：
|
||
|
||
- [x] 项目结构与 CMake 配置
|
||
- [x] 配置管理模块 (线程安全，自动持久化)
|
||
- [x] STT 推理引擎 (ONNX Runtime 集成，异步模型加载)
|
||
- [x] Mel 频谱图提取 (Hann 窗 + FFT + Mel 滤波器组)
|
||
- [x] Whisper Tokenizer (BPE 分词)
|
||
- [x] 音频采集/解码框架 (PortAudio/dr_libs)
|
||
- [x] 三个 GUI 页面 (实时识别 / 文件转写 / 配置)
|
||
- [x] 日志系统 (控制台 + 文件输出)
|
||
- [x] 批量文件转写 (支持 WAV/MP3/FLAC)
|
||
- [x] 结果导出 (TXT / SRT 字幕 / JSON 结构化数据)
|
||
- [x] 音频重采样 (非 16kHz 音频自动重采样)
|
||
- [x] 语音活动检测 (VAD — 短时能量 + 过零率)
|
||
- [x] 音频文件信息 (时长/采样率/声道数)
|
||
- [x] 单元测试框架 (Catch2, 39 个测试用例)
|
||
- [ ] 完整 Whisper 推理 (自回归解码 + 流式识别)
|
||
- [ ] 跨平台打包
|
||
|
||
## License
|
||
|
||
MIT
|