本地語音辨識字幕生成工具 —— 資料不離開你的電腦。以 Qwen3-ASR / Whisper(Breeze-ASR-26) 為核心， 音檔、影片、麥克風錄音都能轉成 SRT 字幕。全新 WebView 介面（淺色 teal 風格、原生 WebView2 視窗）， 支援純 CPU（OpenVINO INT8）與 GPU 加速（CrispASR / Vulkan，NVIDIA・AMD・Intel 通吃）。
目標很單純：讓你的同事、你的同學、你的阿嬤，都能免費、離線、在自己的電腦上做語音辨識。
- 介面標題：聲音辨識小工具（貓耳耳機圖示）
- 版本線：
webview 0.2（與舊版 CustomTkinter 桌面版1.0.9分流並存，兩者互不干擾） - 舊版桌面版（CustomTkinter）說明文件已移至
oldreadme.md
- 🎧 音檔 / 影片 → SRT 字幕：MP3・WAV・FLAC・M4A・OGG 等音訊，及 MP4・MKV・MOV 等影片（自動用 ffmpeg 抽音軌）
- 🎙️ 麥克風錄製轉換：偵測說話停頓自動分段辨識（非逐字串流），可即時存檔
- 🌊 真實波形 + 播放頭 + 分段標註：Suno 式波形，點波形／字幕／區塊即可跳播
- 🎤 卡拉OK逐字模式：字級時間軸貫通，播放時逐字高亮歌詞（見下方截圖）
- 🌏 多語系辨識：中文、日文、英文等 30 種語系，可自動偵測或鎖定語言
- 🇯🇵 日語強化（新）：內建 Qwen3-ASR-1.7B 日語動漫特化模型，日文歌詞／台詞辨識明顯較佳；日語輸出保留原生漢字（不誤繁化）
- 👥 說話者分離：可指定人數，SRT 自動標記「說話者1／2…」
- 💬 辨識提示（參考文字）：貼入歌詞、關鍵字或背景說明，提升辨識準確度
- 📚 批次辨識：一次匯入大量音訊／影片，依序自動辨識
- 🔌 端點服務：內建 OpenAI 相容轉錄 API + 手機掃碼上傳頁 + Cloudflare 對外通道
- 🧩 多推理核心：CrispASR（Vulkan GPU）／OpenVINO（純 CPU）／chatllm（向下相容），可於「模型」頁切換
- 🎨 深淺色主題 + 介面縮放 + 多語介面（繁中／简体／English）
- 📦 開箱即用：CrispASR 核心與 VAD 隨包附帶；各模型／ffmpeg 按需自動下載
主畫面。拖入或選擇音檔（影片亦可）後：
- 上方可設定 語言（預設自動）、說話者分離（可選人數）、時間軸對齊（字級時間軸）
- 可在「辨識提示」貼入歌詞／關鍵字，或「讀入 TXT」載入參考文字
- 點「▶ 開始轉換」，進度列即時顯示；完成後可「開啟輸出資料夾」或「字幕存檔」
- 下方呈現真實波形 + 播放頭 + 分段標註，點波形、字幕條或區塊都能跳播
啟用時間軸對齊後，播放時字幕會以大字逐字高亮呈現（卡拉OK效果），下一句以淡色預覽， 適合對歌詞、做字幕校對或教學展示。
切到「批次」分頁，「+ 加入檔案」可多選音訊／影片，「▶ 全部開始」依序辨識， 每列即時顯示進度與狀態（待處理／辨識中／完成／失敗），完成後可由「⋯」開啟字幕編輯。 批次過程中可隨時再加檔案。適合整批會議錄音、多集 Podcast、課堂錄影一次轉字幕。
切到「錄製」分頁，選擇麥克風後按下中央麥克風鈕開始。系統在偵測到說話停頓時才辨識 （句中短暫停頓不會中斷），結果逐段出現在下方「即時字幕」。可開「即時存檔」邊錄邊存， 或錄完按「儲存字幕」。再按一次麥克風鈕結束並完成最後一段。
切到「端點」分頁，開啟「OpenAI 相容轉錄服務」後：
- 手機掃碼上傳：同網段裝置掃 QR 或開啟網址，直接上傳音訊／影片辨識
- OpenAI 相容 API：
POST /v1/audio/transcriptions，可被腳本、OpenWebUI 等串接 - 存取金鑰（等同密碼）：可顯示／重設，保護你的算力
- 對外臨時網址（Cloudflare）：一鍵開臨時通道讓非同網段也能上傳（首次會下載 cloudflared 約 25MB）
⚠️ 對外網址內含金鑰，任何取得完整網址的人都能上傳、消耗你的 CPU/GPU。用完請立即關閉。
切到「模型」分頁：
- 系統自檢：逐核心 × 逐能力列出檔案就緒狀況（綠＝已備、黃＝啟用時自動下載）
- 推理核心：可選 Qwen 或 Whisper (Breeze)；下方「模型」下拉依核心動態切換
- 切換即重啟：切核心／模型會持久化設定並提示重新啟動（避免就地切換 Vulkan context 造成當機）
四張核心卡片：Qwen · OpenVINO（CPU）、CRISPASR（Vulkan：Whisper/Breeze + Qwen）、 Qwen · chatllm（Vulkan · 相容）、共用元件（FFmpeg／說話者分離）。
切到「設定」分頁，集中管理偏好：
| 設定項 | 說明 |
|---|---|
| 介面縮放 | 調整文字與控制項大小 |
| 輸出格式 | 全域預設 SRT 字幕／純文字（影響單檔・批次・端點） |
| 語音偵測靈敏度（VAD） | 降低閾值減少漏識、提高減少假陽性（預設 0.50） |
| 每段最長秒數（字級對齊） | 調短可減少長段歌詞的「段尾字漸漸跑掉」漂移；依模型自動夾低（0.6B 30s／1.7B 10s）。CrispASR 走自身視窗不受此設定影響 |
| 簡繁詞彙轉換 | 關閉／台灣用語（s2twp）／標準（s2t） |
| HuggingFace 鏡像站 | 下載較慢時可改用鏡像（如 hf-mirror.com） |
| FFmpeg 路徑 | 處理影片音軌用；留空＝自動偵測／需要時下載 |
| 外觀主題 | 淺色／深色／跟隨系統（視窗標題列同步） |
| 介面語言 | 繁體中文／简体中文／English |
底部顯示版本徽章與「檢查更新」（WebView 版檢查更新只開啟發行頁）。
本工具「模型驅動核心」—— 在「模型」頁選哪顆模型，就自動用對應的推理後端。
以 CrispASR（whisper.cpp 家族的多後端 runtime，ggml C++） 走 Vulkan 加速，Windows 上通吃 NVIDIA／AMD／Intel，無須安裝 CUDA／ROCm。本版隨包 CrispASR v0.8.8 核心。
| 模型 | 用途 |
|---|---|
| Qwen3-ASR-1.7B Q4 / Q8 | 通用高辨識率，繁中斷句佳 |
| Qwen3-ASR-1.7B 日語動漫 Q4 / Q8（新） | 日語／動漫特化，日文歌詞・台詞辨識明顯較佳 |
| Whisper Breeze-ASR-26 Q4 / Q5 / Q8 | 繁中／台語特化（large-v2 等級） |
| qwen3 ForcedAligner GGUF | 字級時間軸對齊（卡拉OK逐字、精準字幕） |
免顯卡、免驅動，純 CPU 即可執行。0.6B（輕量，開箱即用）與 1.7B INT8 KV-Cache（更準，按需下載）。 適合沒有獨顯的環境。
保留供既有使用者向下相容（曾用過 chatllm 或自桌面版沿用者）。核心二進位不隨安裝包附帶，
只有機器上實際備有 libchatllm.dll 時才會在清單中現身。
新增 Qwen3-ASR-1.7B 日語動漫特化模型（cstr/qwen3-asr-1.7b-ja-anime-GGUF）， 針對日語／動漫語音微調，日文歌詞、台詞辨識明顯優於標準模型。實測日文歌曲對比：
| 標準 Qwen3-ASR-1.7B | 日語動漫版 |
|---|---|
| An なまぶしさ（英日混雜） | あんな眩しさ（正確漢字） |
| 輪切りかけたコヨーテ（胡言） | わかりかけた（較合理） |
| どこ。（截斷） | どこかで会えるように（完整） |
同時修正：語言選日語時跳過 OpenCC 繁化（原本會把日文漢字 会／静／図 誤轉成繁中字形 會／靜／圖）， 保留日文原生字形；中文／台語辨識維持繁化不變。
至 GitHub Releases 下載 QwenASR-WebView 版壓縮包，
解壓後執行 QwenASR-WebView.exe。首次啟動：
- 已內含 CrispASR 核心與 VAD，選定模型後若尚未下載會提示，按「下載並載入」即自動下載
- 影片辨識首次會提示下載 ffmpeg；說話者分離、字級對齊模型皆按需下載
💡 若解壓後 Windows 阻擋執行，於 exe 按右鍵 →「內容」→ 勾選「解除封鎖」即可（Mark-of-the-Web）。
git clone https://github.com/dseditor/QwenASRMiniTool.git
cd QwenASRMiniTool
# 建立虛擬環境並安裝需求後：
python app_webview.py # 啟動 WebView 介面
# 或編譯為單一 EXE：
build_webview.bat # 產出 dist2\QwenASR-WebView\QwenASR-WebView.exe| 項目 | CPU 模式（OpenVINO） | GPU 模式（CrispASR / Vulkan） |
|---|---|---|
| 作業系統 | Windows 10 / 11（64-bit） | Windows 10 / 11（64-bit） |
| RAM | 6 GB（峰值約 4.8 GB） | 8 GB 以上 |
| 硬碟 | 2 GB（0.6B 約 1.2 GB） | 依模型：Qwen 1.7B GGUF Q8 約 2.5 GB |
| GPU | 不需要 | Vulkan 1.2+（NVIDIA / AMD / Intel） |
| WebView2 | Windows 11 內建；Windows 10 需安裝 Edge WebView2 Runtime | 同左 |
⚠️ 安裝路徑請使用全英文（例如C:\QwenASR），含中文字元可能無法正常執行。
| 項目 | 連結 |
|---|---|
| Qwen3-ASR-1.7B GGUF（CrispASR/Vulkan） | cstr/qwen3-asr-1.7b-GGUF |
| Qwen3-ASR-1.7B 日語動漫 GGUF（新） | cstr/qwen3-asr-1.7b-ja-anime-GGUF |
| Whisper Breeze-ASR-26 GGML | phate334/Breeze-ASR-26-GGML |
| qwen3 ForcedAligner GGUF | cstr/qwen3-forced-aligner-0.6b-GGUF |
| 0.6B OpenVINO INT8（主／備） | dseditor ／ Echo9Zulu |
| 1.7B OpenVINO INT8 KV-Cache | dseditor/Qwen3-ASR-1.7B-INT8_OpenVINO |
| 原始 PyTorch 模型 | Qwen/Qwen3-ASR-0.6B ／ 1.7B |
| VAD 模型 | snakers4/silero-vad v4.0 |
| 說話者分離模型 | altunenes/speaker-diarization-community-1-onnx |
app_webview.py # WebView 版進入點（原生 WebView2 視窗 + 本機 HTTP server）
webview_server.py # 本機 stdlib HTTP 伺服器（serve webview/ + /api，含 Host 白名單防 rebinding）
webview_backend.py # WebView 共用後端邏輯（核心/模型目錄、載入、自檢、端點）
webview/ # 前端（HTML / CSS / JS，i18n），python·端點·EXE 三版共用
index.html css/app.css js/{app,bridge,i18n}.js
app.py # 引擎核心 ASREngine（OpenVINO）+ 既有桌面版共用邏輯
crisp_engine.py # CrispASR（Vulkan）推理引擎：Whisper/Breeze + Qwen3-ASR GGUF 子程序包裝
chatllm_engine.py # chatllm（Vulkan）推理引擎（向下相容）
subtitle_lines.py # 全引擎共用字幕分行（字級時間軸→字幕行，標點/空白切 + 孤兒合併）
fa_aligner.py # ForcedAligner 字級時間軸（OpenVINO/chatllm 共用）
subtitle_editor.py # 字幕驗證與編輯
batch_tab.py # 批次排程邏輯
diarize.py # 說話者分離引擎（外部 ONNX，兩階段聚類，不依賴 torch）
audio_io.py # 音訊讀取（16k mono，不依賴 librosa）
processor_numpy.py # 純 numpy Mel / BPE 處理器
api_server.py # OpenAI 相容轉錄端點（純標準庫）
cf_tunnel.py # Cloudflare 臨時通道
downloader.py # 模型完整性檢查與按需下載（含 LFS pointer 偵測、HF 鏡像）
version.py / updater.py # 版本單一事實來源 / 自動更新
build_webview.bat # PyInstaller onefile 打包（WebView EXE）
crispasr/ # CrispASR 核心（exe + dll，隨包）；模型 *.bin/*.gguf 按需下載
ov_models/ # OpenVINO 模型 / VAD / Qwen GGUF / 說話者分離 ONNX
- WebView：改用本機 stdlib HTTP server + 原生 WebView2 視窗（棄 pywebview 的 pythonnet 遞迴 bug），前端純網頁、跨三版共用。
- onefile：onedir 的散落 DLL 在解壓時會沾上 Mark-of-the-Web，.NET 拒載 → 退回 Edge。onefile 執行時解壓 DLL 到暫存（無 MOTW），使用者只需解封鎖一個 exe。
- CrispASR（CrispStrobe）— Vulkan 多後端 ASR runtime（whisper / qwen3），本專案使用其官方 Windows 預編譯版。
- chatllm.cpp（foldl，MIT）— Vulkan GPU 推理後端（向下相容），使用官方預編譯二進位。
- Breeze-ASR-26（phate334）— 繁中／台語特化 Whisper 模型。
- FFmpeg（GPL）— 影片音軌提取，按需下載，二進位不內嵌。
- silero-vad — 語音活動偵測。
本專案程式碼以 MIT 授權釋出。模型權重與第三方預編譯二進位依各自來源的授權條款。