speech.cpp 0.8.2: запись и распознавание речи прямо в браузере

Почему длинную запись стало проще расшифровать

Новинка — определение участков, где человек говорит: VAD (voice activity detection). С ним программа разбивает длинное аудио на отрезки речи и передаёт их модели распознавания последовательно. В интерфейсе можно выбрать Silero VAD вместе с Qwen3-ASR 0.6B; Qwen3-ASR включает русский в перечень поддерживаемых языков. Вкладка Live показывает предварительный текст с микрофона и заменяет его окончательной фразой после паузы. Если модель определения речи не выбрана, вкладка расшифровки принимает целую запись длительностью не более минуты и предлагает добавить её для более длинной. s4 s5 s6

Для тех, кто интегрирует речь в своё приложение, 0.8.0 также добавил распознавание через /v1/realtime, команду speech asr --vad --live и более длинную расшифровку с --vad; это инженерные функции, не обязательные для первого знакомства со страницей. s1 s4

Как попробовать без написания программы

Один путь — Mac с Apple Silicon. Откройте «Терминал» и выполните команду установки для закреплённого выпуска: curl -fsSL https://raw.githubusercontent.com/nyosegawa/speech.cpp/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/install.sh | sh -s -- --version 0.8.2. Инсталлятор скачивает архив из GitHub, сверяет SHA-256 и добавляет команду в PATH; прежде чем запускать скрипт из сети, можно прочитать его по ссылке в источниках. После установки откройте новое окно терминала, выполните speech --version и убедитесь, что программа показывает 0.8.2. Затем выполните speech serve --open: должен открыться локальный адрес 127.0.0.1:8080 с вкладками Speak, Transcribe и Live. Если установка недоступна для вашей ОС, у выпуска также есть пакеты Windows x64/Vulkan и Linux x64/CPU или Vulkan; требования к драйверам и glibc перечислены в официальной инструкции. s3 s4 s7 s11

Для маленькой проверки на вкладке Transcribe выберите qwen3-asr-0.6b и загрузите собственную короткую запись со словами «Встреча перенесена на пятницу, в три часа дня». При первом выборе дождитесь скачивания файла модели; после обработки на странице должен появиться текст. Не ожидайте буквального совпадения с примером: сверьте день недели и время с записью, а не с обещанным ответом модели. Для записи подлиннее добавьте silero-vad через отдельный выбор на этой вкладке; для Live разрешите браузеру доступ к микрофону. По документации размер загружаемого Qwen3-ASR-файла около 0,84 ГБ, Silero VAD — около 1,2 МБ; это объём файлов, не минимальный объём оперативной или видеопамяти. s4 s5 s6

Инструкция сверена с документацией выпуска, но Modelium не запускал модель и не измерял результат. Если программа не открылась, начните с проверки установленной версии и требований вашей ОС; если модель не появилась, проверьте соединение при её первой загрузке. Для приватной работы после загрузки закройте доступ к сети и повторите пробу на своём компьютере. Страница обслуживается локально и по умолчанию слушает 127.0.0.1; не выставляйте незащищённый речевой сервер в публичную сеть. s4 s5 s7

Что известно о лицензиях и точности

Код speech.cpp распространяется под MIT. Это не автоматически распространяется на каждую модель: выбранный GGUF-пакет (файл с весами модели) Qwen3-ASR 0.6B помечен Apache-2.0, а репозиторий Silero VAD GGUF — MIT; перед коммерческим использованием проверяйте условия конкретного пакета и происхождение весов. Файлы GGUF здесь преобразованы для speech.cpp и не взаимозаменяемы с одноимёнными файлами для llama.cpp, LM Studio или Ollama. s8 s9 s10

Автор проекта публикует измерения 0.8.0 на Apple M5/Metal и RTX 2080/Vulkan для определённых моделей и наборов аудио. Это авторские тесты, а не независимая проверка и не гарантированная скорость на вашем устройстве; минимальное требование к памяти из них не следует. Практический следующий шаг — открыть инструкцию установки для своей ОС и проверить одну собственную запись, затем сравнить расшифровку с оригиналом. s3 s7