blumia
4ed4e23282
Add a frameless always-on-top caption window wired to the live capture pipeline. Silence-based segmentation gates the audio so the model never sees silence, and the panel background is painted in paintEvent with a configurable opacity instead of a style sheet. 新增悬浮字幕窗（无边框、置顶、可折叠/展开），接入实时采集与流式转写。 分段由静音检测驱动，静音期间不送音频，避免模型对静音产生幻觉。底板 改为在 paintEvent 中绘制，不透明度可调。
2.6 KiB
2.6 KiB
live-caption
Linux 桌面实时字幕：采集系统正在播放的声音，实时转写成字幕显示（类似 Chrome 实时字幕）。 技术栈：C++ / Qt6 / CMake / Qwen3-ASR（llama.cpp，纯 C++，无 Python 依赖）。
当前进度
| 阶段 | 内容 | 状态 |
|---|---|---|
| Phase 0 | 可行性验证（采集 / 模型 / CPU 实时性） | ✅ 见 docs/phase0-verification.md |
| Phase 1 | 命令行原型（进程内推理 + monitor 采集 + 滑窗 + 稳定前缀） | ✅ 见 experiments/phase1/README.md |
| Phase 2 | 原生流式解码（8s 切片 + 增量 KV 复用 + 前缀回滚） | ✅ 见 docs/phase2-streaming.md |
| Phase 3 | Qt 悬浮字幕窗（折叠/展开、语言标签、置顶、实时链路） | ✅ 见 docs/phase3-caption-window.md |
| Phase 4 | 设置界面（模型切换、语言、字体、位置） | 待做 |
| Phase 5 | Wayland 支持、打包、模型分发 | 待做 |
关键结论（Phase 0 实测）
- 系统播放音频可从默认输出的 monitor 源采集（PipeWire + pipewire-pulse，走 libpulse，兼容 PulseAudio）。
Qwen3-ASR-0.6B在本机（i5-13420H，无独显）纯推理 RTF ≈ 0.19，实时有充足余量。- 模型与推理运行时必须锁版本：只有 ggml-org 官方 GGUF（
general.architecture = qwen3vl）与系统 llama.cpp 兼容；社区的 Q4 量化用的是qwen3asr/qwen3_asr，装不进去。 - 转写原始输出为
language <LANG><asr_text><正文>，语言名正好用于 UI 的语言标签。
快速开始
# 1. 准备模型（只需一次；网络可达 hf-mirror.com）
B=https://hf-mirror.com/ggml-org/Qwen3-ASR-0.6B-GGUF/resolve/main
aria2c -x16 -s16 -k4M -o Qwen3-ASR-0.6B-Q8_0.gguf "$B/Qwen3-ASR-0.6B-Q8_0.gguf"
aria2c -x16 -s16 -k4M -o mmproj-Qwen3-ASR-0.6B-Q8_0.gguf "$B/mmproj-Qwen3-ASR-0.6B-Q8_0.gguf"
# 2. 构建
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j
# 3. 单文件转写
./build/live-caption-cli \
--model Qwen3-ASR-0.6B-Q8_0.gguf \
--mmproj mmproj-Qwen3-ASR-0.6B-Q8_0.gguf \
--file some_16k_mono.wav
# 4. 实时字幕
./build/live-caption-cli \
--model Qwen3-ASR-0.6B-Q8_0.gguf \
--mmproj mmproj-Qwen3-ASR-0.6B-Q8_0.gguf
目录
├─ src/ # 原型源码
├─ docs/ # 各阶段验证报告
└─ experiments/
├─ phase0/ # 可行性验证脚本（采集/RTF/模型元数据）
└─ phase1/ # 命令行原型说明与实机测试脚本