AudionAudion
ENDERU

Audion Voice Tools — руководство

USER_GUIDE_RU.md

Audion Voice Tools — руководство

English · О программе

Содержание

Первый запуск

  1. Запустите Start.exe. Открывается окно, вверху экрана появляется капсула — узкая полоска, в трее — значок программы.

Windows 11 прячет новые значки трея за стрелкой «^»: перетащите значок на панель задач, чтобы он был на виду.

  1. Окно спрашивает об установке компонентов, которые советуются этой машине: движок диктовки, FFmpeg, GigaAM и Whisper

для файлов; с видеокартой NVIDIA вместо Whisper для файлов — Whisper на CUDA и Whisper large-v2 (почему — в разделе «Файлы»). У каждого компонента галочка, у движка диктовки — выбор модели: первой стоит GigaAM v3, лучшая модель для русского языка, ниже — модели для других языков. УСТАНОВИТЬ ставит отмеченное по очереди; ход виден в SETUP — шаг, проценты, скорость, оставшееся время. «Установить позже» откладывает вопрос до следующего запуска; ОТКРЫТЬ SETUP закрывает вопрос и сразу открывает лист SETUP.

  1. Пока ставится движок диктовки, кнопка ДИКТОВКА в капсуле притушена. Когда в разделе «Журнал» появилась строка

[OK] gigaam-…: load …, warm-up …, диктовка готова.

Диктовка

Правая кнопка по капсуле — то же меню, что ⌄: режимы текста, движок диктовки, положение панели.

Пока вы говорите, капсула показывает:

Слева направоЧто это
×отменить: текст не вставляется, звук остаётся в истории
точка, полоски, времяидёт запись, уровень микрофона, сколько прошло
↻начать заново: этот дубль отменяется, новый начинается сразу
последние словачто услышано (у облачных потоков — по ходу речи)
название движкаGigaAM, Whisper или облако со значком ☁
красный квадратзакончить и вставить
⌄режимы текста и движок диктовки

После остановки капсула пишет «Распознаю…», при режиме текста — «Обработка: …», затем на мгновение показывает вставленный текст.

Движок диктовки

Раздел «Диктовки» → ДОПОЛНИТЕЛЬНО, блоки ЛОКАЛЬНЫЕ МОДЕЛИ и API: СЕРВИСЫ И МОДЕЛИ; тот же выбор — ⌄ капсулы → «Движок диктовки ›» и меню трея:

модель: название, для чего она и её языки, размер, «установлена» или УСТАНОВИТЬ. GigaAM v3 — русская речь, по умолчанию; Parakeet V3 — 25 европейских языков; Parakeet EN — английский; Whisper Small, Medium, Turbo, Large v3, Large v2 — многоязычные. УСТАНОВИТЬ скачивает модель с Hugging Face, сверяет по SHA-256 и выбирает её; те же модели — в SETUP. Выбор другой модели загружает её сразу, диктовка под ней не прерывается. Строка СЕЙЧАС называет то, что работает: gigaam-v3-e2e-rnnt-Q8_0 · Vulkan0.

английские термины.

МОДЕЛЬ облака — из списка самого сервиса, кнопка со стрелкой: OpenAI Realtime — по умолчанию gpt-realtime-whisper, OpenAI после остановки — gpt-transcribe; xAI и ElevenLabs выбирают модель сами. Список окно спрашивает у сервиса раз в сутки, ↻ рядом — сразу: модели у сервисов меняются каждый месяц. ЯЗЫК РЕЧИ облака — АВТО, RU, EN.

Облаку нужен свой ключ (SETUP → КЛЮЧИ СЕРВИСОВ). Облако не ответило за восемь секунд — тот же дубль распознаёт GigaAM на этой машине, а история отмечает это у диктовки.

Режимы текста

⌄ капсулы — режимы, как у Letterly; тот же выбор — «Диктовки» → ДОПОЛНИТЕЛЬНО → ОБРАБОТКА И САММАРИЗАЦИЯ. Режим, выбранный во время диктовки, действует уже на неё.

РежимЧто делает модель
Исходный текстничего: вставляется текст движка (по умолчанию)
Магиясама выбирает оформление по тексту и по окну, куда он встанет: слегка, грамотно, списком, по частям, протоколом
Слегкапунктуация, заглавные буквы, абзацы; убраны слова-паразиты и случайные повторы, слова те же
Значительнограмотный письменный текст: исправлены грамматика и оговорки, смысл и подробности те же
Спискомкаждая мысль или задача — пункт «- »
Структурированносмысловые части с короткими заголовками
Протокол встречитема, суть, решения, задачи с исполнителями и сроками, открытые вопросы

Обработка и саммаризация включаются с сервисом облака; с локальной моделью — когда в config есть ключ OpenAI или xAI. СЕРВИС — OPENAI, XAI или СВОЙ СЕРВЕР, МОДЕЛЬ — из его списка. По умолчанию — OpenAI и gpt-6-luna: протокол встречи она составляет с наибольшим уровнем рассуждения (max), остальные режимы — с низким (low), чтобы вставка не ждала. Нужен ключ своего сервиса, и уходит он только ему: api.openai.com — ключ OpenAI, api.x.ai — ключ xAI. Свой сервер — Ollama, LM Studio — спрашивается без ключа: адрес вроде http://localhost:11434/v1 и модель из его списка.

Модель ждём 15 секунд, длинный текст — дольше, протокол встречи — до двух минут. Не ответила или ответила не тем — вставляется текст движка; история хранит оба текста.

Словарь

Раздел «Словарь», файл config\dictionary.txt. Строка раздела — одна запись: КАК СКАЗАНО → КАК ПИСАТЬ, у термина левое поле пустое. СТРОКА добавляет запись, ЗАМЕТКА — заметку, × убирает; поиск сужает список; раздел растягивается на всё окно. В файле те же записи, по одной на строку:

ФГИС ТП
Kubernetes
гитхаб экшнс -> GitHub Actions
километров в час -> км/ч
# единицы
градусов цельсия -> °C

как ключевые слова, OpenAI после остановки — в подсказке), его соблюдают режимы текста и протокол встречи, его берёт расшифровка файлов.

регистра; работает и для GigaAM, которому слова не подсказать.

Словарь сохраняется сам, через секунду после ввода, и действует со следующей диктовки.

Микрофон и панель

микрофон Windows по умолчанию.

панели ›»); ВИДНА В ПОКОЕ (меню трея → «Показывать плавающую панель»): выключено — капсула появляется только на время диктовки или записи.

Выбор у капсулы, трея и окна один: изменённый в одном месте сразу виден в других. ДОПОЛНИТЕЛЬНО открыто, пока на странице не было первой работы — диктовки, записи, прогона файлов, — затем само сворачивается в строку; дальше оно такое, каким его оставили: шеврон справа или нажатие на заголовок открывает и сворачивает его.

Трей

Левая кнопка по значку открывает окно. Правая — меню:

Закрытие окна крестиком оставляет программу в трее: диктовка работает. Выход — только из меню трея.

Раздел «Диктовки»

Диктовки по дням, новые сверху; поиск — по началу слов, без учёта регистра. Наведите указатель на диктовку — появятся кнопки: копировать, распознать заново (GigaAM этой машины, текст заменится), прослушать, скачать звук в «Загрузки», удалить (запись — из библиотеки, звук — в Корзину). Подсказка текста — куда вставлено, движок, режим, длительность, сколько ждали вставку.

Правая кнопка: Вставить ещё раз, Копировать текст движка — до обработки (у диктовок с режимом), Закрепить наверху — закреплённая хранит звук и после срока.

Звук диктовок хранится 7 дней (SETTINGS → ЗВУК ДИКТОВОК: 7 дней, 30 дней, всегда, не хранить); текст остаётся всегда. Диктовки 2.3 приходят в историю сами, без звука.

Раздел «Записи» и рекордер

❚❚ — пауза (микрофон открыт, в файл ничего не пишется), красный квадрат — сохранить, × — отменить (файл — в Корзину).

следующем старте. Диктовка во время записи работает.

РАСШИФРОВЫВАТЬ СРАЗУ или ВРУЧНУЮ; ВЫБРАТЬ открывает «Файлы»).

Кнопки карточки записи: прослушать, открыть расшифровку, протокол встречи, показать в папке, скачать в «Загрузки», расшифровать (заново).

Протокол встречи составляет модель «Диктовки» → ДОПОЛНИТЕЛЬНО → ОБРАБОТКА И САММАРИЗАЦИЯ по расшифровке: файл ИМЯ.protocol.md рядом с записью, открывается сам. Готовый протокол кнопка открывает; правая кнопка — составить заново, прежний уходит в Корзину.

Раздел «Файлы»

  1. ДОБАВИТЬ ФАЙЛЫ или ДОБАВИТЬ ПАПКУ — записи и видео: m4a, mp3, wav, flac, ogg, opus, aac, wma, mp4, mov, mkv, webm,

avi, mxf.

  1. Выбор прогона — ДОПОЛНИТЕЛЬНО, блоки ЛОКАЛЬНЫЕ МОДЕЛИ, API: СЕРВИСЫ И МОДЕЛИ, РАСПОЗНАВАНИЕ, РЕЗУЛЬТАТ:

LARGE-V2 · WHISPER.CPP (точнее на трудных записях, в разы тяжелее). Неустановленный показан притушенным. С видеокартой NVIDIA выбор — GIGAAM и WHISPER LARGE-V2, turbo нет: на CUDA turbo повторяет фразы (на пяти минутах английской речи одна фраза шла 25 раз подряд, ошибок по словам — 42 %), а large-v2 там так же быстра и ошибается в 7 % слов;

файлы в облако; модель OpenAI — из списка сервиса, по умолчанию gpt-transcribe; xAI и AssemblyAI выбирают модель сами;

Hugging Face), SORTFORMER (до четырёх говорящих, без ключа); дольше: отдельный проход после распознавания. СКОЛЬКО — число говорящих, если оно известно: его берёт Community-1. У облака — НЕ РАЗДЕЛЯТЬ или РАЗДЕЛИТЬ: разделяет сам сервис;

ВРЕМЕНИ — в самом тихом месте; звук не выбрасывается ни в одном случае;

  1. ЗАПУСТИТЬ. Ход каждого файла — в списке и в журнале; СТОП внизу останавливает, готовые куски не пропадают: следующий

прогон продолжит файл с них.

Расшифровка ложится рядом с исходником: ИМЯ.md, .txt, .srt, .vtt, .transcript.json. Выбор прогона окно запоминает; с ним же расшифровываются записи.

Раздел «Журнал»

Журналы программы по дням — ошибки видны и после перезапуска. Панель журнала справа: LOGS открывает папку logs, CONFIG — папку config; копировать весь текст, очистить (файлы остаются), развернуть на всё окно.

SETUP

порядку всё рекомендованное. Тяжёлое для NVIDIA предлагается только при видеокарте NVIDIA; Whisper для файлов там — Whisper на CUDA с моделью large-v2, а у Whisper для файлов на процессоре с моделью turbo — «этой машине не нужен».

ПРОВЕРИТЬ спрашивает сам сервис. Ключ хранится в config\api_key_*.txt и никогда не показывается — только «есть» и последние символы.

SETTINGS

Здесь то, что задают один раз:

полпункта; К УМОЛЧАНИЯМ возвращает тему, шрифты и размеры.

Движок, модели, обработка текста, микрофон и панель — в ДОПОЛНИТЕЛЬНО страницы «Диктовки», словарь — в своём разделе.

Язык окна — RU или EN в шапке.

Что уходит в сеть

Все проекты