Altranscribe

在听一门不够熟悉的语言时，往往很难快速且完整地抓住整句话。即便能勉强听懂大意，也极易漏掉关键细节，听久了脑子更容易转不过来；如果碰到完全没学过的小语种，却又偏偏有理解内容的需求，挫败感会更强。

市面上针对这个痛点其实早就有各种各样的工具，但实际体验往往一言难尽：识别准确率低、翻译质量生硬，还普遍绑定着昂贵的月费订阅；更劝退的是，所有音频和文本都必须上传到厂商的云端服务器，隐私毫无保障。

为了彻底摆脱这些妥协，我做了 Altranscribe，一个名字取自「Alternative Transcribe」的完全替代方案。由于高质量转录通常依赖 GPU 算力，我设计了「Windows 端为主机、Android 端为副机」的局域网协同架构，让桌上闲置的显卡物尽其用；同时在手机端也支持轻量级的纯离线转录。

至于技术栈，它和 Canvas Quiz Exporter 一样采用了 Flutter，主要是看重其出色的跨平台能力与优雅的 Material Design 质感。实际上，这个项目比 Canvas Quiz Exporter 还要早，它才是我真正意义上的第一个 Flutter 项目。

转录引擎与部署架构

Altranscribe 不与任何单一生态或云厂商绑定，识别后端支持灵活分配与组合：

• 本机 Whisper：基于 whisper.cpp 实现，Windows 端支持 CPU 或 NVIDIA GPU 加速。在追求纯本地高质量识别时效果最佳。
• 本机 Nemotron：通过 sherpa-onnx 在 CPU 上实现真·流式识别（Streaming ASR），字幕约 1 秒内完成。系统开销极低，手机端也能流畅跑起来。
• 局域网协同（Windows 主机）：电脑端一键开启共享并生成二维码，手机端扫码配对，直接借用电脑的算力和模型完成处理。
• 云端 API：兼容 OpenAI 与 Google Gemini。虽然项目初衷是追求纯本地化，但仍保留了云端接口供轻便使用。

在翻译、标题提炼与摘要生成等下游任务上，同样支持自由编排，既能接入本地 Ollama 或局域网主机，也可以调用 OpenAI、Gemini、Anthropic 或任意兼容 OpenAI 规范的第三方接口。识别与翻译完全解耦，例如可以让手机跑轻量的 Nemotron 出原文，再把翻译与摘要工作无缝卸载给局域网内的电脑。自 0.7.0 起，手机端也已具备完全独立的端侧转录能力。

悬浮字幕与文稿工作流

• 悬浮字幕：支持单独显示原文、仅显示译文或双语同显；支持自由调节字体、字号、排版与背景透明度。暂停、继续与停止保存均可在悬浮窗内一键操作，关闭悬浮窗不会中断后台转录流水线。

• 文本归档：历史文稿支持全文检索、快速复制与重命名，可直接导出为 TXT、Markdown 或交互式独立网页（包含音频播放器并支持时间戳快跳）。

• 术语修正：针对专有名词、生僻人名与专业术语，转录音视频文件时可调用 LLM 统一人名与术语、修正高置信度的识别错误，并可预先填写首选写法；同时完整保留原始识别结果与修改对照，便于回溯。

音频预处理管道

识别准确率的高低，很大程度上取决于传递给模型处理的音频质量。为了保证底层表现的一致与高效，音频处理模块全部由 C++ 统一编写，Windows 与 Android 共享同一套逻辑：

• 前端降噪与增益：集成 RNNoise 降噪算法，并配备自适应自动增益（AGC），主动拉高弱音与远场拾音，两个模块均支持按需开关。

• 隔离与解耦：每个音源的重采样、降噪、增益以及流式分切（Segmentation）状态完全相互隔离；分切逻辑严格以采集时间为基准，不受后续转录和模型推理延迟的影响。