面向播客作者及播客听众的音频转文字/讲稿应用，通过音频文件生成讲稿并储存，支持说话人音色分割，使用FastAPI实现，支持异步处理，支持快速部署。
作为播客爱好者，小宇宙的搜索流程不能满足日常的需求，不能实现对音频中的关键字进行搜索，同时没有对播客创作者提供选题或文本稿件的能力。结合whisper模型和LLM提供高质量的搜索工作流，实现高质量搜索和文本生成，后期会实现音色的克隆。
- 🚀 快速部署，能够通过yaml文件快速更改配置，并部署
- 🎙️ 内置说话人音色分割功能
- 📚 底层服务为FastAPI能够通过文档接口实现所有功能，未来会提供简易webui，提供给用户使用
- 🔄 对说话人音色分割和文本处理进行了并行处理优化
- 🔗 提供异步接口进行调用
- 📃音频文件缓存和音频文件指定时段进行提取
python>=3.8
pip install -r requirements.txt
更改confid/deploy.yaml文件，设置${hf_token}，具体详见，开通pyannote/speaker-diarization-3.1授权
运行命令
python main.py
访问http://0.0.0.0:8080/docs获取接口文档信息
使用url结尾为async/的接口能够提交task任务，可以通过/status/{task_id}和/cancel/{task_id}查看任务状态或取消任务，通过/tasks查看所有历史任务。
- WebUI页面
- 支持将文稿文件作为知识/历史记录发送给LLM模型
- 支持声纹库，通过声纹库识别说话人名称，并写入向量库
- 支持SenseVoice模型和CosyVoice模型的一键音色克隆
- 支持通过选择人物进行说话方式的Lora微调
- 支持实时语音识别
- 支持onnx模型加速