sokuji 的项目扩展与二次开发
2025-06-01 11:00:08作者:韦蓉瑛
项目的基础介绍
sokuji 是一个开源的实时语音翻译桌面应用程序,由 kizuna-ai-lab 开发。该项目利用了 OpenAI 的 Realtime API,旨在消除实时对话中的语言障碍,通过捕获音频输入,通过 OpenAI 的高级模型进行处理,实时输出翻译结果。
项目的核心功能
- 实时语音翻译:使用 OpenAI 的 Realtime API 进行语音识别和翻译。
- 支持多种模型:兼容 GPT-4o Realtime 和 GPT-4o mini Realtime 模型。
- 自动转义检测:提供多种模式(正常、语义、禁用)。
- 音频可视化:显示波形图。
- 虚拟音频设备:在 Linux 上创建和管理虚拟音频设备(使用 PulseAudio/PipeWire)。
- 自动音频路由:在虚拟设备之间进行音频路由。
- 音频输入和输出设备选择:允许用户选择输入和输出设备。
- 完善的日志记录:追踪 API 交互。
- 可自定义的模型设置:如温度、最大令牌数。
- 用户转录模型选择:包括 gpt-4o-mini-transcribe、gpt-4o-transcribe、whisper-1。
- 噪音减少选项:包括无、近场、远场。
- API 密钥验证:实时反馈验证结果。
- 配置持久化:在用户家目录中保存配置。
- 多通道音频支持:支持立体声。
- 推送至讲功能:使用空格键快捷启动。
项目使用了哪些框架或库?
- Electron:用于创建桌面应用程序。
- React:用于构建用户界面。
- TypeScript:用于代码的静态类型检查。
- OpenAI Realtime API:用于实时语音识别和翻译。
- PulseAudio/PipeWire:用于虚拟音频设备支持。
- SASS:用于样式处理。
- React-Feather:用于图标。
项目的代码目录及介绍
项目的代码目录结构如下:
.
├── assets
├── docs
├── electron
├── extension
├── public
├── screenshots
├── src
├── .electronforge.config.js
├── .gitignore
├── LICENSE
├── README.md
├── forge.config.js
├── package-lock.json
├── package.json
├── tsconfig.json
assets:存放项目资源文件。docs:存放项目文档。electron:包含 Electron 项目的配置和启动脚本。extension:包含浏览器扩展的相关代码。public:存放公共文件,如 HTML、CSS 和图片等。screenshots:存放项目屏幕截图。src:包含项目的源代码,包括 React 组件和逻辑。.electronforge.config.js:Electron Forge 配置文件。.gitignore:Git 忽略文件。LICENSE:项目许可证文件。README.md:项目说明文件。forge.config.js:Forge 配置文件。package-lock.json:NPM 锁定文件。package.json:项目依赖和脚本定义。tsconfig.json:TypeScript 配置文件。
对项目进行扩展或者二次开发的方向
- 增加更多语言支持:可以通过集成更多语言的语音识别和翻译模型,扩大项目的语言覆盖范围。
- 优化用户体验:改进界面设计和交互逻辑,提升用户使用体验。
- 跨平台支持:虽然目前项目主要支持 Linux,但可以通过增加对 Windows 和 macOS 的支持,扩大用户群体。
- 增加个性化设置:允许用户自定义翻译偏好,如语言对、模型选择等。
- 性能优化:优化算法和资源管理,提高翻译的准确性和响应速度。
- 社区支持:建立社区,鼓励用户反馈和贡献代码,共同推动项目发展。
登录后查看全文
热门项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
deepin linux kernel
C
24
6
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
242
2.38 K
React Native鸿蒙化仓库
JavaScript
216
291
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
353
1.56 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
405
暂无简介
Dart
539
118
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1 K
589
仓颉编程语言运行时与标准库。
Cangjie
123
98
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
591
116