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。
57 lines
2.6 KiB
Markdown
57 lines
2.6 KiB
Markdown
# 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](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](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](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](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
|
||
|
||
```bash
|
||
# 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
|
||
```
|