CopySpeak: otwarte prilozhenie do TTS z schowka na Windows
CopySpeak to aplikacja desktopowa oparta na Tauri v2, która automatycznie przechwytuje tekst ze schowka Windows i odczytuje go za pomocą lokalnych lub chmurowych silników TTS. Projekt jest zorientowany na minimalne zużycie zasobów: backend w Rust zapewnia niskie obciążenie, frontend zbudowany na Svelte 5 z TypeScript i Vite dla szybkiego rozwoju.
Stos technologiczny obejmuje Bun v1.3 jako menedżer pakietów, rodio do przetwarzania audio oraz komponenty UI shadcn-svelte z Tailwind CSS v4.2. Dzięki temu aplikacja działa nawet na słabych PC bez zależności od GPU w trybie podstawowym.
Tryby aktywacji i silniki TTS
Aplikacja obsługuje trzy sposoby uruchomienia odczytu:
- Podwójne kopiowanie: po drugim kopiowaniu tekst jest odczytywany po 1,5 sekundy.
- Skróty klawiszowe: konfigurowalne kombinacje do natychmiastowego uruchomienia.
- Ręczne wprowadzanie: wklejenie tekstu z przyciskiem odtwarzania.
Dostępnych jest pięć silników TTS dla różnych scenariuszy:
- Kitten TTS (domyślnie): model ONNX dla CPU, 8 wbudowanych głosów, zoptymalizowany pod kątem prędkości.
- Piper TTS: lokalny CLI z >20 głosami EN/US, idealny do pracy offline.
- Kokoro TTS: lokalny CLI z kilkoma głosami, nacisk na jakość.
- OpenAI TTS: chmurowy API, 9 głosów, wysoka naturalność.
- ElevenLabs TTS: chmurowy API z niestandardową biblioteką głosów.
Przełączanie silników odbywa się w ustawieniach bez konieczności restartu.
Interfejs i wizualizacja
Nakładka HUD to kluczowy element: pływające okno wyświetla falę audio w czasie rzeczywistym na wierzchu innych aplikacji. Ułatwia to monitorowanie generowania bez utraty fokusu.
Historia generacji jest przechowywana na stałe: obsługiwane odtwarzanie, usuwanie i przetwarzanie wsadowe nagrań. Audio można zapisywać w MP3, OGG lub FLAC z wyborem urządzenia wyjściowego.
Ustawienia do precyzyjnego dostrajania
Parametry pogrupowane według kategorii:
- Ogólne: autostart z Windows, tryb debugowania z logami.
- Odtwarzanie: prędkość 0,25x–4x, wysokość 0,5x–2x, głośność.
- Tekst: usuwanie znaczników Markdown, normalizacja interpunkcji.
- Audio: wybór urządzenia, format wyjściowy, zapisywanie plików.
- UI: motyw ciemny/jasny.
Pozwala to dostosować zachowanie do workflow developera — od szybkiego odczytu logów po słuchanie dokumentacji.
Co ważne
- Lokalne silniki (Kitten, Piper, Kokoro) działają bez internetu i z minimalnym obciążeniem CPU.
- HUD i skróty klawiszowe integrują się z każdym procesem roboczym bez rozpraszania.
- Otwarty kod na GitHub pozwala dostosować stos do własnych potrzeb.
- Obsługa chmurowych API dla głosów premium bez utraty lokalnej funkcjonalności.
- Historia i zapisywanie audio ułatwiają ponowne wykorzystanie wygenerowanych plików.
— Editorial Team
Brak komentarzy.