chaplin

收录理由

Chaplin 通过摄像头读取唇部动作，将无声默念的词语实时转换为文字，并借助本地大模型对识别结果进行纠错，最终把修正后的文本直接输入到光标所在位置。这种视觉语音识别方案为语音转文字提供了另一种思路，适合在安静环境中免手输入、用于无障碍交互实验，或者作为一项有趣的技术演示。它的部署方式比普通应用更偏开发者向：需要下载 Auto-AVSR 模型权重、运行 Ollama 并加载一个小型 Qwen 模型，再通过命令行启动。因此，它更适合习惯自行组装本地组件的开发者，而非期待一键安装的普通用户。由于整个流程都在本地完成，它也为将视觉语音识别与 LLM 纠错阶段串联成单一流水线提供了可参考的范例。