Audion Voice Tools — руководство

English · О программе

Содержание

• Первый запуск
• Диктовка
• Трей
• Раздел «Диктовки»
• Раздел «Записи» и рекордер
• Раздел «Файлы»
• Раздел «Журнал»
• SETUP
• SETTINGS
• Что уходит в сеть

Первый запуск

1. Запустите Start.exe. Открывается окно, вверху экрана появляется капсула — узкая полоска, в трее — значок программы.

Windows 11 прячет новые значки трея за стрелкой «^»: перетащите значок на панель задач, чтобы он был на виду.

1. Окно спрашивает об установке компонентов, которые советуются этой машине: движок диктовки, FFmpeg, GigaAM и Whisper

для файлов; с видеокартой NVIDIA вместо Whisper для файлов — Whisper на CUDA и Whisper large-v2 (почему — в разделе «Файлы»). У каждого компонента галочка, у движка диктовки — выбор модели: первой стоит GigaAM v3, лучшая модель для русского языка, ниже — модели для других языков. УСТАНОВИТЬ ставит отмеченное по очереди; ход виден в SETUP — шаг, проценты, скорость, оставшееся время. «Установить позже» откладывает вопрос до следующего запуска; ОТКРЫТЬ SETUP закрывает вопрос и сразу открывает лист SETUP.

1. Пока ставится движок диктовки, кнопка ДИКТОВКА в капсуле притушена. Когда в разделе «Журнал» появилась строка

[OK] gigaam-…: load …, warm-up …, диктовка готова.

Диктовка

• Right Alt + F12 — начать; ещё раз — закончить и вставить. Esc — отменить.
• Наведите указатель на капсулу или нажмите на неё — она раскроется: ДИКТОВКА и ЗАПИСЬ, каждая со своим хоткеем.

Правая кнопка по капсуле — то же меню, что ⌄: режимы текста, движок диктовки, положение панели.

• Текст вставляется туда, где был курсор, через буфер обмена; прежнее содержимое буфера возвращается.

Пока вы говорите, капсула показывает:

После остановки капсула пишет «Распознаю…», при режиме текста — «Обработка: …», затем на мгновение показывает вставленный текст.

Движок диктовки

Раздел «Диктовки» → ДОПОЛНИТЕЛЬНО, блоки ЛОКАЛЬНЫЕ МОДЕЛИ и API: СЕРВИСЫ И МОДЕЛИ; тот же выбор — ⌄ капсулы → «Движок диктовки ›» и меню трея:

• Локальные модели на transcribe.cpp — на этой машине, без сети и без ключа; список во всю ширину окна, строка на

модель: название, для чего она и её языки, размер, «установлена» или УСТАНОВИТЬ. GigaAM v3 — русская речь, по умолчанию; Parakeet V3 — 25 европейских языков; Parakeet EN — английский; Whisper Small, Medium, Turbo, Large v3, Large v2 — многоязычные. УСТАНОВИТЬ скачивает модель с Hugging Face, сверяет по SHA-256 и выбирает её; те же модели — в SETUP. Выбор другой модели загружает её сразу, диктовка под ней не прерывается. Строка СЕЙЧАС называет то, что работает: gigaam-v3-e2e-rnnt-Q8_0 · Vulkan0.

• xAI, OpenAI Realtime, ElevenLabs — потоки облака: слова идут в капсулу, пока вы говорите.
• OpenAI · после остановки — один запрос после остановки к входу, совместимому с OpenAI; лучше всех пишет

английские термины.

МОДЕЛЬ облака — из списка самого сервиса, кнопка со стрелкой: OpenAI Realtime — по умолчанию gpt-realtime-whisper, OpenAI после остановки — gpt-transcribe; xAI и ElevenLabs выбирают модель сами. Список окно спрашивает у сервиса раз в сутки, ↻ рядом — сразу: модели у сервисов меняются каждый месяц. ЯЗЫК РЕЧИ облака — АВТО, RU, EN.

Облаку нужен свой ключ (SETUP → КЛЮЧИ СЕРВИСОВ). Облако не ответило за восемь секунд — тот же дубль распознаёт GigaAM на этой машине, а история отмечает это у диктовки.

Режимы текста

⌄ капсулы — режимы, как у Letterly; тот же выбор — «Диктовки» → ДОПОЛНИТЕЛЬНО → ОБРАБОТКА И САММАРИЗАЦИЯ. Режим, выбранный во время диктовки, действует уже на неё.

Обработка и саммаризация включаются с сервисом облака; с локальной моделью — когда в config есть ключ OpenAI или xAI. СЕРВИС — OPENAI, XAI или СВОЙ СЕРВЕР, МОДЕЛЬ — из его списка. По умолчанию — OpenAI и gpt-6-luna: протокол встречи она составляет с наибольшим уровнем рассуждения (max), остальные режимы — с низким (low), чтобы вставка не ждала. Нужен ключ своего сервиса, и уходит он только ему: api.openai.com — ключ OpenAI, api.x.ai — ключ xAI. Свой сервер — Ollama, LM Studio — спрашивается без ключа: адрес вроде http://localhost:11434/v1 и модель из его списка.

Модель ждём 15 секунд, длинный текст — дольше, протокол встречи — до двух минут. Не ответила или ответила не тем — вставляется текст движка; история хранит оба текста.

Словарь

Раздел «Словарь», файл config\dictionary.txt. Строка раздела — одна запись: КАК СКАЗАНО → КАК ПИСАТЬ, у термина левое поле пустое. СТРОКА добавляет запись, ЗАМЕТКА — заметку, × убирает; поиск сужает список; раздел растягивается на всё окно. В файле те же записи, по одной на строку:

copyФГИС ТП
Kubernetes
гитхаб экшнс -> GitHub Actions
километров в час -> км/ч
# единицы
градусов цельсия -> °C

• Термин — слово, аббревиатура, сокращение или единица, как её писать. Его подсказывают облакам (xAI и ElevenLabs —

как ключевые слова, OpenAI после остановки — в подсказке), его соблюдают режимы текста и протокол встречи, его берёт расшифровка файлов.

• Замена сказано -> написано (или →, =>) — делается в тексте каждой диктовки по целым словам, без учёта

регистра; работает и для GigaAM, которому слова не подсказать.

• # в начале строки — заметка.

Словарь сохраняется сам, через секунду после ввода, и действует со следующей диктовки.

Микрофон и панель

• Микрофон — «Диктовки» или «Записи» → ДОПОЛНИТЕЛЬНО → УСТРОЙСТВА → МИКРОФОН, меню трея → «Микрофон ›»: ПО УМОЛЧАНИЮ —

микрофон Windows по умолчанию.

• Панель — «Диктовки» → ДОПОЛНИТЕЛЬНО → УСТРОЙСТВА → ПАНЕЛЬ: ВВЕРХУ или ВНИЗУ экрана (меню трея или ⌄ капсулы → «Положение

панели ›»); ВИДНА В ПОКОЕ (меню трея → «Показывать плавающую панель»): выключено — капсула появляется только на время диктовки или записи.

Выбор у капсулы, трея и окна один: изменённый в одном месте сразу виден в других. ДОПОЛНИТЕЛЬНО открыто, пока на странице не было первой работы — диктовки, записи, прогона файлов, — затем само сворачивается в строку; дальше оно такое, каким его оставили: шеврон справа или нажатие на заголовок открывает и сворачивает его.

Трей

Левая кнопка по значку открывает окно. Правая — меню:

• Вставить последнюю диктовку — в окно, которое было впереди;
• История — раздел «Диктовки»;
• Начать запись (Right Alt + F11) — с красной точкой, пока запись идёт;
• Движок диктовки ›, Микрофон ›, Положение панели ›, Показывать плавающую панель;
• Открыть Audion Voice Tools, Настройки, Выход.

Закрытие окна крестиком оставляет программу в трее: диктовка работает. Выход — только из меню трея.

Раздел «Диктовки»

Диктовки по дням, новые сверху; поиск — по началу слов, без учёта регистра. Наведите указатель на диктовку — появятся кнопки: копировать, распознать заново (GigaAM этой машины, текст заменится), прослушать, скачать звук в «Загрузки», удалить (запись — из библиотеки, звук — в Корзину). Подсказка текста — куда вставлено, движок, режим, длительность, сколько ждали вставку.

Правая кнопка: Вставить ещё раз, Копировать текст движка — до обработки (у диктовок с режимом), Закрепить наверху — закреплённая хранит звук и после срока.

Звук диктовок хранится 7 дней (SETTINGS → ЗВУК ДИКТОВОК: 7 дней, 30 дней, всегда, не хранить); текст остаётся всегда. Диктовки 2.3 приходят в историю сами, без звука.

Раздел «Записи» и рекордер

• Right Alt + F11, кнопка ЗАПИСАТЬ в разделе или ЗАПИСЬ в капсуле — начать. Капсула красная: время, уровень;

❚❚ — пауза (микрофон открыт, в файл ничего не пишется), красный квадрат — сохранить, × — отменить (файл — в Корзину).

• Запись — 48 кГц моно в library\recordings\ГОД\МЕСЯЦ\. После сбоя программы недописанная запись восстанавливается при

следующем старте. Диктовка во время записи работает.

• После сохранения запись сама идёт в расшифровку с выбором раздела «Файлы» («Записи» → ДОПОЛНИТЕЛЬНО → ПОСЛЕ ЗАПИСИ:

РАСШИФРОВЫВАТЬ СРАЗУ или ВРУЧНУЮ; ВЫБРАТЬ открывает «Файлы»).

Кнопки карточки записи: прослушать, открыть расшифровку, протокол встречи, показать в папке, скачать в «Загрузки», расшифровать (заново).

Протокол встречи составляет модель «Диктовки» → ДОПОЛНИТЕЛЬНО → ОБРАБОТКА И САММАРИЗАЦИЯ по расшифровке: файл ИМЯ.protocol.md рядом с записью, открывается сам. Готовый протокол кнопка открывает; правая кнопка — составить заново, прежний уходит в Корзину.

Раздел «Файлы»

1. ДОБАВИТЬ ФАЙЛЫ или ДОБАВИТЬ ПАПКУ — записи и видео: m4a, mp3, wav, flac, ogg, opus, aac, wma, mp4, mov, mkv, webm,

avi, mxf.

1. Выбор прогона — ДОПОЛНИТЕЛЬНО, блоки ЛОКАЛЬНЫЕ МОДЕЛИ, API: СЕРВИСЫ И МОДЕЛИ, РАСПОЗНАВАНИЕ, РЕЗУЛЬТАТ:

• ЛОКАЛЬНЫЕ МОДЕЛИ — GIGAAM · ONNX (русская речь), WHISPER TURBO · WHISPER.CPP (английская и смешанная), WHISPER

LARGE-V2 · WHISPER.CPP (точнее на трудных записях, в разы тяжелее). Неустановленный показан притушенным. С видеокартой NVIDIA выбор — GIGAAM и WHISPER LARGE-V2, turbo нет: на CUDA turbo повторяет фразы (на пяти минутах английской речи одна фраза шла 25 раз подряд, ошибок по словам — 42 %), а large-v2 там так же быстра и ошибается в 7 % слов;

• API: СЕРВИСЫ И МОДЕЛИ — OpenAI, xAI, Gemini, AssemblyAI, GigaChat, у каждого свой ключ; нажатие на сервис отправляет

файлы в облако; модель OpenAI — из списка сервиса, по умолчанию gpt-transcribe; xAI и AssemblyAI выбирают модель сами;

• ЯЗЫК — АВТО, RU, EN;
• ГОВОРЯЩИЕ — НЕ РАЗДЕЛЯТЬ, АВТО (Community-1, где он установлен, иначе Sortformer), COMMUNITY-1 (точнее, нужен ключ

Hugging Face), SORTFORMER (до четырёх говорящих, без ключа); дольше: отдельный проход после распознавания. СКОЛЬКО — число говорящих, если оно известно: его берёт Community-1. У облака — НЕ РАЗДЕЛЯТЬ или РАЗДЕЛИТЬ: разделяет сам сервис;

• ПАУЗЫ (VAD) у GigaAM — где резать длинную запись на куски по 12–25 секунд: SILERO VAD — в паузах речи, РОВНО ПО

ВРЕМЕНИ — в самом тихом месте; звук не выбрасывается ни в одном случае;

• ФАЙЛЫ — MD, TXT, SRT, VTT, JSON;
• ГОТОВЫЕ — ПРОПУСКАТЬ файл, у которого расшифровка уже есть, или ПЕРЕДЕЛАТЬ.

1. ЗАПУСТИТЬ. Ход каждого файла — в списке и в журнале; СТОП внизу останавливает, готовые куски не пропадают: следующий

прогон продолжит файл с них.

Расшифровка ложится рядом с исходником: ИМЯ.md, .txt, .srt, .vtt, .transcript.json. Выбор прогона окно запоминает; с ним же расшифровываются записи.

Раздел «Журнал»

Журналы программы по дням — ошибки видны и после перезапуска. Панель журнала справа: LOGS открывает папку logs, CONFIG — папку config; копировать весь текст, очистить (файлы остаются), развернуть на всё окно.

SETUP

• Компоненты — что стоит, что советуется этой машине, есть ли новее, сколько скачивать; УСТАНОВИТЬ ВСЁ ставит по

порядку всё рекомендованное. Тяжёлое для NVIDIA предлагается только при видеокарте NVIDIA; Whisper для файлов там — Whisper на CUDA с моделью large-v2, а у Whisper для файлов на процессоре с моделью turbo — «этой машине не нужен».

• КЛЮЧИ СЕРВИСОВ — Hugging Face, OpenAI, xAI, ElevenLabs, AssemblyAI, Google Gemini, GigaChat: ввод мимо журнала,

ПРОВЕРИТЬ спрашивает сам сервис. Ключ хранится в config\api_key_*.txt и никогда не показывается — только «есть» и последние символы.

• МИКРОФОН — проверка: микрофон слушается несколько секунд, уровень виден по ходу; ничего не записывается.

SETTINGS

Здесь то, что задают один раз:

• ХОТКЕИ — таблица: диктовка Right Alt + F12, её отмена Esc, запись Right Alt + F11.
• ЗВУК ДИКТОВОК — сколько хранить звук.
• ЦВЕТА — четыре темы окна; ШРИФТ ОКНА, ШРИФТ ЖУРНАЛА — семейство и размер, шевроны счётчика меняют его на

полпункта; К УМОЛЧАНИЯМ возвращает тему, шрифты и размеры.

Движок, модели, обработка текста, микрофон и панель — в ДОПОЛНИТЕЛЬНО страницы «Диктовки», словарь — в своём разделе.

Язык окна — RU или EN в шапке.

Что уходит в сеть

• Звук диктовки — только при облачном движке, и только его сервису.
• Текст диктовки — только при режиме текста, кроме «Исходного», и только по адресу модели.
• Расшифровка записи — модели, когда вы составляете протокол встречи.
• Записи и файлы распознаются на этой машине, пока в разделе «Файлы» не выбрано ОБЛАКО.
• Список моделей сервиса — окно спрашивает у него только список, его же ключом.