VoiceSwitch v0.4.0-beta для macOS: локальная расшифровка аудио и видео

[mitimaicode]

VoiceSwitch начинался как локальная диктовка для macOS: нажать fn + Option,
произнести фразу и получить текст в активном приложении. В новой beta появился
отдельный сценарий для длинных записей — импорт аудио и видеофайлов.

Что появилось в v0.4.0-beta

• локальный импорт WAV, MP3, M4A, MP4 и MOV;
• GigaAM, MLX Whisper и Qwen3-ASR на выбор;
• обработка длинного материала блоками по 60 секунд;
• сохранение прогресса после каждого блока и продолжение прерванной задачи;
• удаление точных повторов на стыках блоков;
• экспорт TXT, SRT, VTT и JSON;
• видимый прогресс и остановка задачи;
• исправление чистой установки GigaAM из issue Установка GigaAM падает: torch не ставится (torchaudio 2.11 больше не тянет его как зависимость) #6.

Из видео VoiceSwitch извлекает только первую аудиодорожку. Кадры не
анализируются, системный звук не захватывается, а временные метки SRT/VTT пока
соответствуют приблизительным границам блоков, а не отдельным словам.

Почему файловый режим устроен отдельно

Короткая диктовка и часовая запись используют те же ASR-модели, но требуют
разной обвязки. Для длинного файла важны предсказуемая память, возможность
остановить задачу, сохранение уже готовых частей и корректные стыки.

Перед файловой задачей VoiceSwitch освобождает постоянный worker диктовки,
нормализует аудио локальным ffmpeg в mono WAV 16 kHz и запускает отдельный
процесс распознавания. Исходный файл и результат не отправляются во внешние
API после первоначальной загрузки моделей.

Что проверено

GitHub Actions на macOS собрал Swift-приложение и app bundle, проверил подпись
и ресурсы, прогнал 13 тестов файлового worker и выполнил чистую установку
зависимостей GigaAM. Опубликованные DMG и ZIP после релиза повторно скачаны и
проверены по приложенным SHA-256.

Это beta для Apple Silicon и macOS 14+. Сборка подписана ad-hoc и не
нотарифицирована Apple, поэтому первый запуск выполняется через правый клик →
«Открыть».

Скачать релиз:
https://github.com/mitimaicode/VoiceSwitch/releases/tag/v0.4.0-beta

Интересно, что полезнее развивать следующим: точные таймкоды, разделение
говорящих или дальнейшее улучшение надёжности длинных задач?

[mitimaicode]

Обновление: этот материал относится к приложению для macOS. Отдельный пакет фактически установленного Linux-серверного контура опубликован в v0.5.0-beta; анонс — в Discussion #11.