इस प्रोजेक्ट के बारे में

Douvo एक हल्का macOS वॉयस इनपुट एप्लिकेशन है जो macOS 14.0 या उससे नए संस्करण चलाने वाले Apple Silicon Macs के लिए डिज़ाइन किया गया है। यह अपने प्राथमिक स्पीच-टू-टेक्स्ट इंजन के रूप में Doubao ASR (ऑटोमैटिक स्पीच रिकग्निशन) का उपयोग करता है, साथ ही ट्रांसक्रिप्ट डालने से पहले उसे साफ करने के लिए वैकल्पिक AI पोस्ट-प्रोसेसिंग भी करता है। ऐप मेनू बार यूटिलिटी के रूप में काम करता है जिसमें फ्लोटिंग रिकॉर्डिंग ओवरले होता है। उपयोगकर्ता रिकॉर्डिंग शुरू करने के लिए एक कॉन्फ़िगर करने योग्य ट्रिगर कुंजी दबाते हैं, बोलते हैं, और फिर रोकने और किसी भी एप्लिकेशन में वर्तमान कर्सर स्थिति पर पहचाने गए टेक्स्ट को सम्मिलित करने के लिए फिर से दबाते हैं। होल्ड-टू-टॉक मोड भी उपलब्ध है। Douvo तीन ASR पथों का समर्थन करता है: Doubao Web, Doubao Android, और Youdao Bage Shuo। कई पथ एक साथ चुने जा सकते हैं, समानांतर में चलते हैं और परिणाम AI पोस्ट-प्रोसेसिंग के माध्यम से विलय होते हैं। डिफ़ॉल्ट पथ Web है। मुख्य विशेषताओं में शामिल हैं: - शॉर्ट-प्रेस या होल्ड-टू-टॉक रिकॉर्डिंग के साथ किसी भी ऐप में डिक्टेट करें - शब्दों, विराम चिह्नों, फिलर शब्दों, स्वर और आउटपुट शैली को ठीक करने के लिए वैकल्पिक AI पोस्ट-प्रोसेसिंग - चयनित टेक्स्ट का वॉयस-संचालित संपादन (500 वर्णों तक) - कॉन्फ़िगर करने योग्य अनुवाद कुंजी के साथ ऑन-डिमांड अनुवाद - कस्टम शब्दावली और संदर्भ इंजेक्शन (प्रोजेक्ट शर्तें, पथ, नाम, उपयोगकर्ता पहचान, वर्तमान समय, सबसे आगे का ऐप, विंडो शीर्षक) - डिवाइस पर स्थानीय MLX मॉडल या रिमोट LLM प्रदाताओं के बीच विकल्प - मेनू बार UI, फ्लोटिंग रिकॉर्डिंग ओवरले, उपस्थिति स्विचिंग, क्लिपबोर्ड-जागरूक सम्मिलन, और स्थानीय डायग्नोस्टिक्स AI पोस्ट-प्रोसेसिंग के लिए, Douvo स्थानीय मॉडल प्रदान करता है जिनमें Superwhisper द्वारा S1-mini (केवल अंग्रेजी, 335 MB), Spark-X2.5 1.7B और 4B (चीनी सुधार और तर्क), या रिमोट LLM प्रदाता शामिल हैं। आउटपुट शैलियों में Natural, Concise, Structured, और Custom शामिल हैं जिनमें ट्यून करने योग्य शैली शक्ति होती है। ऐप को माइक्रोफोन और एक्सेसिबिलिटी अनुमतियों की आवश्यकता होती है। इसे GitHub Releases से DMG के रूप में या Homebrew Cask के माध्यम से वितरित किया जाता है। वर्तमान बिल्ड नोटराइज़्ड नहीं हैं, इसलिए macOS को पहले लॉन्च पर मैन्युअल क्वारंटाइन हटाने की आवश्यकता हो सकती है। Douvo मिश्रित चीनी/अंग्रेजी इनपुट वर्कफ़्लो के लिए बनाया गया है जहां मुख्यधारा के स्थानीय भाषण मॉडल पहचान गुणवत्ता के साथ संघर्ष करते हैं। यह मजबूत Doubao ASR पथ को पोस्ट-प्रोसेसिंग, शब्दावली, अनुवाद, चयनित-टेक्स्ट संपादन, क्लिपबोर्ड-जागरूक सम्मिलन और स्थानीय डायग्नोस्टिक्स के साथ ऐप-अज्ञेय वॉयस इनपुट टूल के रूप में लपेटता है। परियोजना देखे गए Doubao और Youdao Bage Shuo क्लाइंट व्यवहार पर निर्भर करती है और यह किसी भी सेवा के लिए आधिकारिक API, SDK या एकीकरण नहीं है। उपयोगकर्ताओं को एक वैध Doubao खाते की आवश्यकता होती है और उन्हें स्वयं लॉग इन करना होता है। पहचान के लिए भेजा गया ऑडियो Doubao की सेवा द्वारा संसाधित किया जाता है। परियोजना MIT लाइसेंस के तहत जारी की गई है।