會議逐字稿工具

它做什麼

丟一段會議錄音進去，得到一份標好「誰在什麼時候說了什麼」的逐字稿，然後在瀏覽器裡把認錯的地方改掉。

安裝

Windows 10／11，其他系統看下面的 bash 版本。第一次安裝約需 3–5 分鐘，大部分時間在下載模型。

1. 取得程式

   用 Git，或直接在 GitHub 上按 Code → Download ZIP 解壓縮。

   git clone https://github.com/Joseph-tsai415/Voice_to_words.git
   cd Voice_to_words

2. 執行

   就這一行，沒有第二步。第一次會自己把環境準備好 — 找 Python（沒有就用 winget 裝）、建立虛擬環境、裝套件、偵測到 NVIDIA 顯示卡就順便開 GPU 加速、下載約 220 MB 的模型，然後啟動並打開 http://127.0.0.1:7860。

   .\run.ps1

   之後每次都只是啟動，幾秒鐘。中途斷線沒關係 — 再跑一次會從沒做完的地方接下去，已經抓好的不會重抓。不想開 PowerShell 就直接雙擊 run.cmd。

需要什麼

• Windows 10／11 與 PowerShell。macOS、Linux、WSL 改用 ./run.sh，做的事情完全一樣
• Python 3.9 以上 — 沒有的話會嘗試自動安裝
• 約 1 GB 硬碟空間（預設模型 176 MB），想試其他模型再多留幾 GB
• NVIDIA 顯示卡可選。沒有也能跑，只是辨識那一段會慢一點

GPU 加速是自動的

只要機器上有 NVIDIA 顯示卡，第一次執行就會一併裝好 CUDA 版套件，不需要 3 GB 的 CUDA Toolkit。裝好後會實際載入一個模型試跑，確認真的能用才回報成功 — 光看套件名稱會騙人。

裝不起來也不會讓安裝失敗，只是退回 CPU，功能完全一樣，只有辨識那一段慢一點。

筆電的獨顯可以隨時開關（Optimus／MUX），所以用哪個裝置是每次啟動重新實測的，不是裝好就定死。把獨顯切回來之後直接再跑一次就會用到 GPU，不用重裝，也不用改設定。

速度

以下都是實測值，測試機是 RTX 3070 Ti Laptop（8 GB）加 20 核心 CPU，錄音長度 5 分鐘。

GPU 不是每一段都比較快。講者分離每次丟給模型的音訊長度都不一樣，而 CUDA 遇到新的輸入尺寸就要重新規劃一次，光這個成本就吃掉全部好處。所以工具讓辨識走 GPU、講者分離和 VAD 走 CPU，兩邊各取所長 — 這個組合比全 CPU 快、也比全 GPU 快得多。

同時處理多個會議是有效的：跑一個要 104 秒，同時跑兩個變成 78 秒。瓶頸在 CPU 而不是顯示卡，所以預設會同時跑 3 個。

支援的格式與模型

音訊格式

m4a、mp3、wav、flac、mp4、mov、wma、opus、webm、aac、amr、ogg、3gp 等。內建 FFmpeg 函式庫，不需要另外安裝 ffmpeg。

辨識模型

預設是 X-ASR Zipformer 中英，安裝時就一併裝好（176 MB），開箱即用。會選它是實測的結果：拿一場 69 分鐘的中英混說研討會，讓每個模型重跑同一批時間區間，數 13 個確定講過的技術名詞 —— X-ASR 認出 9 個，SenseVoice 只有 5 個，而且英文常糊掉。

其餘模型（SenseVoice 多語、FireRedASR2、Qwen3-ASR、Cohere Transcribe、Paraformer）都可以在介面裡下載，換模型重跑一次就能比較。需要日／韓／粵時再抓 SenseVoice。

模型清單裡的排名、WER 和下載數是執行時直接向 Hugging Face 取得的，不是寫死的數字。沒抓到資料時就不顯示，不會用猜的。

常見問題

音檔會上傳到哪裡嗎？

不會。所有運算都在你自己的電腦上完成，程式只在本機的 127.0.0.1 上聽，沒有雲端服務、沒有帳號。唯一會連網的時候是下載模型，還有抓模型排行榜資料。

沒有顯示卡可以用嗎？

可以。GPU 只加速辨識那一段，而那一段只佔整體約 2% 的時間。純 CPU 跑 5 分鐘錄音大約 60 秒。

安裝時模型下載失敗

再執行一次 .\setup.ps1。已經完成的檔案會跳過，只重抓沒下載完的。每個檔案都會驗證大小，抓到一半的檔案不會被當成正常的用。

可以放到網路上給別人用嗎？

目前的設計是單人本機使用，沒有登入機制，任何連得到那個連接埠的人都能看到全部逐字稿。要讓別人用之前，請先處理身分驗證與加密連線。