Bolehkah komputer anda mengendalikan sari kata dan suara latar?

Anda ada suntingan kasar demonstrasi produk, rakaman dua rakan sekerja yang bercakap mengiringinya dan tiga baris narasi yang perlu dibuat semula. Menghantar rakaman kepada perkhidmatan transkripsi dan skrip kepada perkhidmatan suara sudah biasa. Menjalankan kedua-duanya pada komputer penyuntingan boleh memudahkan pindaan berulang, terutama jika bahan sumber perlu kekal pada peranti itu. Kini penyunting turut bertanggungjawab atas barisan kerja, fail model dan semakan kualiti.

Pada 4 November 2026, projek inferens sumber terbuka llama.cpp mengeluarkan versi 0.9.0. Keluaran itu menambah sokongan transkripsi luar talian dengan NVIDIA Nemotron 3.5 Transcribe, teks kepada pertuturan dengan Chatterbox dan suara pratetap Pocket TTS yang boleh digunakan tanpa rakaman rujukan. Nota keluaran menyatakan transkripsi dalam 40 bahasa, konteks melalui arahan dan pengenalpastian penutur. Ketiga-tiganya ada tempat dalam aliran penyuntingan yang sama, dengan keperluan berbeza untuk komputer dan penyemak hasil. Nota keluaran llama.cpp v0.9.0

Jika anda mengenali llama.cpp daripada percubaan menjalankan bot sembang setempat, namanya boleh membuat keluaran ini kedengaran lebih sempit daripada keupayaannya. Ia ialah persekitaran inferens yang menjalankan seni bina model yang disokong, dengan alat untuk memuatkan fail model yang serasi dan melayan permintaan. Kemas kini ini meluaskan tugas yang boleh dijalankan melalui peralatan tersebut. Aplikasi di sekelilingnya masih menentukan tempat menyimpan audio, cara memaparkan pembetulan dan bila fail sedia diterbitkan. Projek llama.cpp

Telli.sh menjalankan binaan Windows rasmi yang dipautkan daripada keluaran itu dan menyusun paparan hasil versi sebenar. Imej ini mengesahkan identiti binaan. Binaan b12110 yang dipautkan

Sari kata bermula dengan transkrip yang boleh disunting

Bayangkan rakan sekerja merakam panduan sepuluh minit bagi produk yang belum diumumkan. Seorang lagi menyampuk untuk membetulkan nama ciri. Anda perlukan transkrip yang boleh dicari, pembahagian kasar tentang siapa berkata apa dan akhirnya sari kata yang muncul pada bingkai tepat. Itu tiga hasil berbeza. Yang pertama ialah teks, yang kedua anotasi editorial dan yang ketiga memerlukan pemasaan.

Penyepaduan Nemotron membantu memulakan dua tugas pertama. Pelaksanaan yang digabungkan menyokong transkripsi luar talian dengan konteks pilihan dan pengenalpastian penutur. Maklumat penutur boleh dikekalkan merentas segmen pemprosesan dalam satu rakaman. Nota perubahan penyelenggara menyatakan cap masa perkataan dan penstriman berada di luar skop penyepaduan. Cara praktikal ialah mentranskripsikan rakaman lengkap, membetulkan teks dan menyelaraskan masa pada peringkat suntingan atau sari kata jika hasil akhir memerlukannya. Penyepaduan Nemotron 3.5 Transcribe

Ilustrasi Telli.sh. Transkrip setempat memberi bahan untuk disunting. Sari kata diselaraskan selepas teks dan label penutur disemak.

Konteks arahan berguna untuk pasukan yang menggunakan istilah yang jarang disebut dalam perbualan harian. Bagi rakaman tentang ciri rekaan Pine Relay, cuba senarai pendek nama dan akronim yang dijangka, kemudian jalankan klip yang sama tanpa senarai. Kira sama ada konteks membetulkan nama, menyelitkannya ketika tiada sesiapa menyebutnya atau mengubah nombor dan perkataan yang tiada kaitan. Hadkan senarai supaya kesan setiap entri boleh diterangkan. Pembantu transkripsi patut memudahkan semakan istilah asing sambil mengekalkan isi rakaman.

Pengenalpastian penutur memerlukan semakan tersendiri. Dua penutur dalam temu bual yang jelas mungkin mudah dibezakan. Tambah penutur ketiga melalui telefon pembesar suara dan beberapa ayat bertindih, dan kerja pembetulan boleh berubah. Dengar peralihan serta giliran terpanjang bagi setiap orang. Transkrip boleh mempunyai perkataan yang betul tetapi mengaitkan keputusan penting dengan orang yang salah. Asingkan label model daripada nama yang diberikan manusia sehingga seseorang yang mengenali rakaman mengesahkannya.

Untuk sari kata, bandingkan eksport dengan video. Ayat yang kelihatan baik dalam dokumen boleh melebihi ruang skrin, muncul sebelum pendedahan penting atau kekal apabila penutur seterusnya sudah bermula. Uji potongan babak yang jelas dan sampukan pendek di awal klip. Jika fail sari kata memerlukan pemasaan yang boleh dipercayai, ambil kira masa untuk penyelarasan dan pembetulan. Transkrip awal yang kemas masih berguna walaupun suntingan akhir perlu dipasang di tempat lain.

Suara pratetap sesuai untuk ujian pertama

Pertimbangkan bahagian lain suntingan kasar. Nama ciri berubah, jadi satu baris suara latar perlu diganti dalam enam rakaman skrin. Menghasilkan versi baharu secara setempat menjadi percubaan yang murah setelah model dan perkakasan tersedia. Cabarannya ialah ketekalan dan sebutan. Audio baharu perlu kedengaran sesuai di antara klip lain, menyebut nama produk dengan betul dan muat dalam syot.

Versi 0.9.0 memasukkan Chatterbox dalam model teks kepada pertuturan yang disokong oleh llama.cpp. Semakan projek melaporkan percubaan CUDA untuk Chatterbox Turbo dan Multilingual V3. Penyemak menguji suara lalai dan penjanaan berasaskan rujukan, serta melampirkan sampel hasil. Itu bukti daripada semakan penyepaduan pada persediaan tertentu. Untuk produksi, soalan seterusnya ialah sama ada suara dan bahasa kekal seragam pada teks serta perkakasan sebenar yang akan digunakan. Sokongan Chatterbox dan contoh audio penyelenggara

Pocket TTS menyediakan pilihan lain. Model serasi boleh menyenaraikan nama suara terbina dalam di bawah voices pada respons pelayan GET /props. Klien boleh menghantar salah satu nama tersebut ke laluan teks kepada pertuturan. Skrip atau aplikasi kecil boleh mengisi pemilih suara daripada model yang telah dimuatkan. Rintis pertama boleh menggunakan suara pratetap tanpa mendapatkan dan menyimpan rakaman seseorang untuk ditiru. Simpan model dan nama suara dalam rekod eksport supaya suntingan kemudian boleh bermula dengan persediaan yang sama. Sokongan suara pratetap Pocket TTS

Ilustrasi Telli.sh. Dengar audio sebelum mengeksport. Suara pratetap menerangkan pilihan yang diminta, manakala semakan mendengar menunjukkan hasil sebenar.

Mulakan dengan skrip pendek yang mengandungi istilah yang biasanya tiada dalam demonstrasi. Masukkan kod produk, format alamat atau nombor dengan unit, bersama ayat yang memerlukan nada tertentu. Cuba tiga baris secara berasingan dan kemudian hasilkan satu perenggan penuh. Suara boleh konsisten pada ayat berasingan tetapi tergesa-gesa menyebut perkataan penting dalam rakaman panjang. Minta orang yang mengenali bahasa penonton mendengar tanpa melihat skrip dahulu, kemudian bandingkan apa yang didengarnya dengan teks asal.

Simpan audio akhir berasingan daripada skrip input dan rakaman sumber. Jika nombor didapati disebut dengan salah, anda boleh mengganti rakaman tertentu tanpa kehilangan suntingan asal. Jika projek sudah menggunakan pelakon suara yang telah memberi kebenaran, labelkan rakaman manusia dan pilihan janaan dengan jelas supaya tiada yang menggantikan satu sama lain tanpa disedari. Suara pratetap sesuai apabila projek hanya memerlukan suara yang jelas dan konsisten.

Versi persekitaran inferens hanya sebahagian daripada persediaan

Jika pasukan sudah menggunakan llama.cpp, keluaran ini mungkin mengurangkan keperluan bertukar persekitaran. Anda masih memerlukan binaan yang serasi, fail model yang betul dan fail pendamping khusus, seperti projektor multimodal yang dinyatakan dalam pelaksanaan Nemotron. Pemberat dimuat turun secara berasingan dan mempunyai syarat sendiri. Semak dokumentasi persekitaran dan model sebelum membungkus mana-mana bahagian persediaan untuk pasukan atau pelanggan lain. Artifak keluaran dan Nota persediaan penyepaduan Nemotron

Ukur memori semasa tugas berjalan selepas model selesai dimuatkan. Saiz fail hanya menunjukkan ruang penyimpanan yang digunakan. Inferens juga memerlukan ruang untuk pelaksanaan model, penimbal bahagian belakang dan kerja perantaraan. Komputer meja yang berjaya memulakan transkripsi masih boleh memperlahankan penyunting apabila kedua-duanya menggunakan GPU. Komputer riba yang berfungsi sekali mungkin lebih perlahan pada larian keempat apabila penyejukan dan tugas latar mula berpengaruh. Catat penggunaan puncak RAM dan, jika sesuai, memori GPU dengan penyunting dibuka dalam konfigurasi sebenar.

Penyelenggara berkongsi pengesahan transkripsi dalam permintaan gabungan Nemotron, termasuk set data pertuturan jelas dan mesyuarat, dengan persediaan pengkuantuman tertentu dan RTX PRO 6000 Blackwell. Hasil itu membantu menerangkan cara penyepaduan diuji. Untuk keputusan pembelian atau penerapan, ukur rakaman anda pada komputer sasaran. Walaupun perkakasan sama, menukar ketepatan, bahasa atau jumlah percakapan bertindih boleh mengubah masa pelaksanaan dan beban semakan. Pengesahan dan persediaan Nemotron

Permudah perbandingan versi. b12144 bertarikh 6 November ialah prakeluaran berasingan dengan perubahan susun atur CUDA untuk mixture-of-experts. Untuk menilai penambahan audio, mulakan dengan keluaran bernombor pada 4 November dan kekalkan artifak serta tetapan model. Jika anda menilai prakeluaran kemudian, rekodkannya sebagai larian berasingan. Ini memudahkan pengesanan sama ada perubahan berpunca daripada model audio, bahagian belakang inferens atau aplikasi sekeliling. Nota prakeluaran 6 November

Pemprosesan setempat memerlukan takrif tepat tentang perkara yang kekal pada peranti. Walaupun aliran desktop memanggil pelayan setempat, aplikasi lain boleh menghantar log, menyegerakkan folder keluaran atau mengambil kebergantungan. Sebelum menggunakan rakaman sensitif, dapatkan fail binari dan pemberat pada komputer ujian atau dalam peringkat persediaan khas. Jalankan klip yang selamat tanpa rangkaian untuk melihat bahagian yang benar-benar selesai. Semak tempat fail asal, data sementara dan eksport akhir ditulis. Persekitaran setempat membantu menetapkan sempadan inferens, manakala aplikasi yang lain menentukan laluan data keseluruhan.

Cuba satu projek pada komputer yang benar-benar digunakan

1. Pilih dua input pendek yang boleh dikongsi. Rakam 30 hingga 60 saat melibatkan dua orang, dengan sedikit pertuturan bertindih dan satu nama ciri rekaan. Tulis narasi pendek dengan nama itu dan satu nombor yang sukar. Kekalkan input supaya kesan perubahan tetapan dapat dilihat.
2. Tetapkan versi persekitaran dan model. Pilih sumber v0.9.0 atau binaan b12110 yang dipautkan untuk sistem anda. Catat sumber model, nama fail artifak dan pengkuantuman. Bagi Nemotron yang disediakan melalui llama-server, nota penyepaduan menetapkan --reasoning off kerana templat lalai boleh mengembalikan penaakulan tanpa transkrip. CLI multimodal tidak memerlukan suis tersebut. Uji laluan yang akan digunakan dalam operasi. Nota penyepaduan Nemotron
3. Ukur larian awal dan ulangi. Catat masa dari pelancaran hingga hasil pertama dan masa selepas model selesai dimuatkan. Bagi transkripsi, bahagi masa pemprosesan dengan tempoh audio untuk menganggarkan masa menunggu rakaman yang lebih panjang. Rekod memori puncak dan sama ada penyunting masih responsif. Bagi suara latar, masa daripada perubahan satu baris hingga mendengar hasil baharu mungkin lebih penting.
4. Bandingkan kesilapan mengikut kerja pembetulan. Tandakan istilah yang terlepas, nombor salah, pertukaran penutur dan ayat yang perlu diselaraskan semula. Kira masa pembetulan dalam masa penyelesaian. Untuk suara latar, semak nama, nombor, jeda dan kesesuaian audio dengan suntingan. Sertakan artifak yang dibetulkan dalam perbandingan bersama fail pertama.
5. Tentukan serah tugas sebelum mengautomasikannya. Tetapkan siapa menyemak transkrip, tempat sari kata diselaraskan dan cara menanda suara latar yang diluluskan. Cuba klip kedua selepas yang pertama lulus. Jika fail gagal, kekalkan input dan paparkan kegagalan pada barisan penyuntingan supaya manusia boleh mengambil alih tanpa mengulang seluruh kelompok.

Jejaki semakan dalam empat lajur hamparan: persediaan, masa pemprosesan, masa pembetulan dan penerimaan. Catat sebab sesuatu hasil ditolak. Selepas beberapa percubaan, anda mungkin mendapati persediaan setempat sangat baik untuk pindaan narasi berulang, sementara temu bual berkumpulan yang bising masih memerlukan aliran lain. Itu hasil yang berguna. Gunakan setiap komponen di tempat ia menjimatkan masa dan catat keadaan apabila kaedah sandaran lebih sesuai.

Jika aliran transkripsi sedia ada sudah berfungsi baik, bandingkan menggunakan rakaman dan kriteria penerimaan yang sama. Anda boleh memindahkan bahagian mudah dahulu, seperti menghasilkan narasi sementara berisiko rendah pada komputer kerja. Aliran sari kata yang boleh dipercayai pula boleh mendapat manfaat daripada penyepaduan setempat yang dikongsi kemudian, apabila ada sebab menyatukan penyediaan model dan pelaksanaan baharu telah memenuhi piawaian editorial asal.

Bila keluaran ini paling berguna

Mulakan dengan kerja yang memang berulang. Pasukan tutorial boleh mentranskripsikan rakaman kasar sebelum video meninggalkan komputer penyuntingan dan menghasilkan suara latar sementara untuk menyemak rentak. Penyelidik boleh menghasilkan transkrip yang boleh disunting daripada rakaman di bawah kawalannya, membetulkan label penutur dan mengekalkan audio sebagai sumber. Pasukan pembangun kecil boleh menguji kedua-dua laluan melalui antara muka dalaman yang menunjukkan model terpilih, hasil dan sebarang ralat.

Keluaran ini berpotensi mengurangkan serah tugas antara alat khusus sambil mengekalkan semakan kualiti bagi setiap alat. Model transkripsi masih perlu mengenal perkataan dan membezakan penutur. Model sintesis masih perlu menyebut skrip dengan betul. Penyunting masih menentukan bila hasilnya siap. Perubahan utamanya ialah kerja ini boleh berkongsi peralatan inferens dan mungkin komputer yang sudah digunakan.

Untuk meneliti rakaman siap bersama transkrip dan catatan, mulakan muat naik dalam Telli.sh.