Mô tả

Phù hợp cho những ai cần sắp xếp các bản ghi âm phỏng vấn, cuộc họp hoặc bài giảng được ủy quyền. Cung cấp tệp gốc, ngôn ngữ, mục đích, bản chép lời hiện có hoặc bản đồ thời gian người nói đáng tin cậy; không thể chỉ dựa vào giọng nói để xác nhận danh tính, cũng không coi kịch bản như nội dung thực tế nghe được. Giữ nguyên âm thanh gốc và mã băm -> Đọc thời lượng/bản nhạc -> ASR thực tế -> Sắp xếp theo thời gian thực -> Gắn nhãn người nói ẩn danh khi có căn cứ -> Nghe lại âm thanh gốc để đối chiếu số/từ phủ định/tên người và điểm nghi vấn -> Xuất TXT, JSON, SRT và giải thích phạm vi. Bản nháp máy, bản kiểm tra nghe và bản tóm tắt được tách riêng; giữ nguyên trạng thái chưa rõ nếu không nghe rõ, không tự ý thêm từ cho suôn sẻ. Không có công cụ âm thanh/ASR sẽ ghi rõ là chưa chuyển đổi. Lệnh và gói đi kèm trợ lý cục bộ hoàn chỉnh: Python3, FFmpeg/FFprobe, faster-whisper và bộ nhớ đệm small cấu hình sẵn, CPU/int8, local_files_only, không tự động tải xuống trọng số. Bản đồ người nói đáng tin cậy cung cấp thời gian bắt đầu/kết thúc và nhãn ẩn danh sẽ chuyển đổi theo cửa sổ thực tế và ánh xạ thời gian; khi không có ánh xạ, mốc thời gian sẽ là chưa biết. Trợ lý không tự động tách rời đặc trưng giọng nói hoặc nhận dạng danh tính, gói không bao gồm trọng số/tài khoản/khóa. Bốn ví dụ gồm: lời kể cá nhân tiếng Trung tự biên, phỏng vấn đôi tiếng Trung, mô tả khóa học tiếng Anh, cuộc họp đôi tiếng Trung, tổng âm thanh gốc khoảng 40,875 giây. Âm thanh gốc cuối cùng sử dụng phiên bản cố định Kokoro-82M được đánh dấu trong thẻ mô hình Apache-2.0 để tổng hợp cục bộ, zf_xiaobei, zm_yunjian, af_heart, không phải người thật hoặc nhân bản giọng nói; không phân phối mô hình, giọng nói hoặc âm thanh mẫu cùng gói cài đặt. Cả bốn ví dụ ASR thực tế đều tạo TXT/JSON/SRT, người nói đến từ thời gian phát biểu tổng hợp đã cung cấp, không phải tách người nói tự động. Hiện tại vẫn là bản nháp máy; sự khác biệt giữa "xuất bản thảo" ASR thứ hai và "bản nháp" kịch bản cần được nghe lại để xác nhận, không tự ý đổi thành lời nói thực tế. Dạng sóng đến từ đỉnh PCM đầu vào thực tế, không phải sóng âm trang trí. Nên dùng GPT để sắp xếp văn bản, ASR tuân theo công cụ thực tế; cục bộ không gọi API chuyển đổi OpenAI hoặc chạy CLI thượng nguồn. Hình ảnh đại diện độc lập là hình ảnh trực quan khái niệm ImageGen, công cụ không trả về kiểu máy, không tuyên bố là Image2. Các công cụ, bộ nhớ đệm, tải xuống tệp và liên kết mô hình ở phía YouMind chưa tiêu tốn điểm kiểm tra; cần xác nhận theo môi trường thực tế. Việc chuyển đổi và sắp xếp người nói không đảm bảo chạy không có phụ thuộc sau khi cài đặt. 299 điểm là giá cài đặt, không bao gồm mô hình/API hoặc dịch vụ bên thứ ba, không tự động mua, không tải ngầm các bản nhạc chưa biết lên dịch vụ bổ sung. Không cam kết không có lỗi chính tả, nhận dạng hoàn toàn mọi giọng điệu/tiếng ồn/nhiều người chồng chéo, giám định tư pháp/danh tính, hiệu quả thời gian hoặc hiệu quả thương mại. Việc kiểm tra nghe độc lập sẽ được bổ sung sau, không quảng cáo việc xác minh bản chép lời.