Рэп кодинг это вам не шутки

· Bork

Вы когда-нибудь задумывались, зачем человеку рот?

Раз уж мы пишем код через ИИ, занимать руки на бессмысленные нажатия клавиш как-то не оптимизированно, что-ли… Намного проще было бы сказать: “Эй, холоп, напиши мне функцию для вычисления даты картофельного аппокалипсиса с использованием технологии Чик-Чирикования в сельском хозяйстве” и получить ответ.

Этим я и занялся. Я не стал долго думать и размышлять. Идея родилась сама собой из мема - Рэп-кодинг.

мем

Как оно работает?

Это голосовой ввод для Linux-рабочего стола в духе Gboard: нажал горячую клавишу, говоришь, текст появляется в активном окне прямо по ходу речи. Распознавание работает локально на GPU.

микрофон → VAD (детект речи) → whisper.cpp (GPU, модель постоянно в VRAM) → текст в активное окно

Текст печатается частично каждые ~3 с длинной фразы и сразу после паузы в 500 мс.

ASR-движок висит фоном и держит модель в VRAM, поэтому распознавание фразы занимает около 0.18–0.5 сек.

Горячая клавиша (ctrl+alt+v) включает/выключает распознование одним нажатием.

Пытается работаеть с русской речью через whisper large-v3-turbo и Silero VAD.

Есть защита от галлюцинаций Whisper при шуме или тишине.

Начало фраз не съедается, есть пре-ролл 400 мс и адаптивный порог по шумовой базе комнаты.

Мгновенный ввод работает через буфер обмена (xclip + ctrl+shift+v). Если xclip не установлен, автоматически включается посимвольный набор через xdotool type.

А нафига это надо?

А просто так. Когда руки заняты, а на глазах маска для плавания, очень удобно говорить нейронке что она должна сделать вместо тебя. Следующий шаг в развитии (в деградации) подключить к ИИ скилл, чтобы она перезванивала на телефон если ей чета понадобится от такого супер пупер делового чела, как я.


Нагитхабил - репозиторий GitHub

дальше — почитать рядом