mirror of https://github.com/yusufipk/dikte.git synced 2026-09-11 19:06:11 +00:00

Files

T

yusufipk 2cfbbb2d99 Transcribe and clean up on this machine, without installing anything first

whisper-server is started on --inference-path /v1/audio/transcriptions,
which is exactly the path api.py already builds for the hosted providers,
and llama-server answers /chat/completions the way OpenRouter does. So the
local half is one more base URL rather than a second code path: worker.py,
filetranscribe.py and meeting.py are untouched, and dictation, subtitles
and meetings all work here on the first try.

Three findings worth naming, none of them in the new code:

whisper.cpp cuts segments on tokens, which in Turkish lands inside a word
about as often as between two. Pasted raw that gives "akraba değ\niller.";
in a subtitle it gives a cue reading "değ". Whisper marks the start of a
word with a leading space, so a piece that does not begin with one
continues the word above it.

A small model will repeat the transcript until the context is full, and
every one of those tokens is a second of somebody waiting: measured at 206
seconds, and 25 with a ceiling on the reply. Hosted models are left alone,
where the same runaway is rare and a ceiling would cut the minutes short.

A server outlives SIGTERM and SIGKILL holding its model in memory. Signals
are now turned into an event Qt delivers, since Qt blocks in C where a
Python handler never runs, and a pid file lets the next start sweep up
what a SIGKILL left behind.

The minutes keep their own provider rather than following cleanup's. The
two jobs are not the same size: a 4B model here will strip the filler words
out of a dictation and will not write up an hour long meeting.

The suite runs offline now: a test that reaches the network says so instead
of quietly going there.

2026-08-01 20:00:35 +03:00

8.9 KiB

Raw Blame History

Dikte

Ctrl+Space'e bas, konuş, tekrar bas. Ses varsayılan olarak bu makinede yazıya çevrilir, bir model transkripti temizler (ıı'lar, tekrarlar, eksik noktalama), sonuç panoya kopyalanır ve o an yazdığın pencereye yapıştırılır.

KDE Plasma 6 / Wayland için yazıldı. Sistem paketleri dışında bağımlılığı yok: sadece Python standart kütüphanesi ve PyQt6.

English README

Kurulum

sudo pacman -S --needed pipewire-audio wl-clipboard ydotool ffmpeg python-pyqt6
systemctl --user enable --now ydotool     # otomatik yapıştırma için

./install.sh                 # ya da:  ./install.sh "Ctrl+Alt+Space"
dikte                        # ilk açılışta ayarlar penceresi gelir

Ubuntu/GNOME X11 için kayıt PulseAudio üzerinden, pano ve yapıştırma ise X11 araçlarıyla çalışır:

sudo apt install pulseaudio-utils xclip xdotool ffmpeg

install.sh dikte komutunu, menü girdisini ve oturum açılışında otomatik başlatmayı kurar. Ayarlar penceresi GNOME veya KDE global kısayolunu kurar.

Sesi yazıya çevirme ve temizleme, ayarlar penceresinde ayrı ayrı sağlayıcı seçer. İkisi de burada çalışabilir, whisper.cpp ve llama.cpp üzerinde: program da model de o pencereden indirilir (sha256 doğrulamasıyla, ~/.local/share/dikte altına), yani önceden hiçbir şey kurman gerekmez ve makineden hiçbir şey çıkmaz. Bulut seçenekleri anahtar ister: yazıya çevirme için OpenAI ya da OpenRouter, temizleme için OpenRouter (google/gemini-3.5-flash-lite), yani tek bir OpenRouter anahtarı ikisine de yeter. Boş bırakırsan OPENAI_API_KEY ve OPENROUTER_API_KEY kullanılır; anahtarlar ~/.config/dikte/config.json içinde, izinler 600. Temizlemeyi tamamen kapatabilirsin, o zaman ham transkript yapıştırılır; modelin yanındaki kutudan düşünme seviyesini de seçebilirsin.

Kullanım

Ne	Nasıl
Kaydı başlat / bitir	`Ctrl+Space`, ya da tepsi simgesine tıkla
Kaydı iptal et	Tepsi menüsü → Kaydı iptal et, ya da `dikte cancel`
Ajana sesle komut ver	Tepsi menüsü → Claude'a sor, ya da `dikte ask`
Toplantıyı başlat / bitir	Tepsi menüsü → Toplantı kaydet, ya da `dikte meeting`
Ayarlar	Tepsi menüsü → Ayarlar, ya da `dikte settings`
Güncelleme sonrası yeniden yükle	Tepsi menüsü → Yeniden başlat, ya da `dikte restart`
Çık	Tepsi menüsü → Çık, ya da `dikte quit`

Ekranın köşesindeki gösterge kırmızı kayıt noktasını, canlı ses dalgasını ve süreyi, ardından hangi aşamada olduğunu gösterir. Odak almaz. Dikte çalışırken Ctrl+Space'e tekrar basmak bir şey yapmaz, sıraya da girmez. Dikte ile ajana verilen komut yalnızca mikrofon için birbirini bekler, o da tek aygıt olduğu için; başka hiçbir şeyde beklemezler. Her birinin kendi göstergesi var, ikisi birden ekrandayken ikincisi birincinin üstüne yerleşir.

Ayarlar penceresindeki her şeyin bir de komutu var; bir betik ya da bir ajan yazılımın tamamını çalıştırabilsin diye: dikte record --seconds 8 söyleneni geri verir, dikte transcribe konusma.mp4 --srt altyazıyı yazar, ayarlar, geçmiş ve toplantılar da yanlarında durur. Hepsini dikte --help sayar, hepsi --json kabul eder, yalnızca mikrofona ihtiyacı olanlar uygulamanın açık olmasını ister.

Neler yapıyor

Sessizlik API'ye gitmez. Sessize yakın bir ses verildiğinde model boş dize döndürmez, bir cümle uydurur ("Altyazı M.K.", "Thanks for watching"). O kaydın kendi gürültü tabanının 10 dB üstüne en az 0,3 saniye çıkan bir şey yoksa kayıt atılır; ne kadar yüksek olursa olsun sabit fanı ya da cızırtıyı eleyen de budur. Kaydın gürültülü ucu -55 dBFS altındaysa da atılır. Gösterge ölçtüğü seviyeyi yazar, eşiği ona bakarak ayarlarsın.
Yanlış duyulan kelimeler düzeltilir. Konuşma modelleri özel isimlerde sesçe benzer bir şeye kayıyor; temizleme modelinden bunları bağlamdan onarması, bağlam netleştirmiyorsa dokunmaması isteniyor. Temizleme kuralları sekmesine yazdığın isimler transkripsiyon modeline ipucu, temizleme modeline sözlük olarak gidiyor; "kuber netis"i tanımasını sağlayan da bu:
```
ham    ıı bugün şey kuber netis üzerinde çalışan servisleri güncelledim
       yani sonra grafanada bir panel açtım hani ve pay kut ile arayüzü
       şey bitirdim işte

sonuç  Bugün Kubernetes üzerinde çalışan servisleri güncelledim. Sonra
       Grafana'da bir panel açtım ve PyQt ile arayüzü bitirdim.
```
Başarısız temizleme sessizce geçmez. Dikte kaybolmasın diye ham transkript yine yapıştırılır ama gösterge kehribar rengine döner ve nedenini söyler, normal bir çalışma gibi görünmez.
Dikte bunun yerine bir komut da olabilir. Kendi kısayolu transkripti yapıştırmak yerine Claude Code'a (claude -p) gönderir ve oradan döneni yapıştırır: cevabı ya da ne yapıldığını söyleyen bir cümle. Kendi açacağın oturumun aynısıdır, yani skill'lerin ve bağlı servislerin oradadır; "bunu perşembe üçe takvime koy" cümlesini Claude olmayan bir pencerede söyleyebilir olmanı sağlayan da budur. Codex (codex exec) da aynı şekilde çalışır; OpenRouter ise ikisi de kurulu olmayan bir makinede düz soru cevap için duruyor. Sağlayıcı, model, izinler ve çalışma dizini Ayarlar → Ajan sekmesinde; arka arkaya verilen komutlar tek bir konuşmada kalır.
Toplantılar mikrofonla hoparlör çıkışından aynı anda kaydedilir; kimin ne dediği tahmin edilmez, sesin hangi kanaldan geldiğiyle belli olur. İki taraf ayrı ayrı yazıya çevrilip tek bir zaman damgalı transkriptte birleştirilir, ardından Ayarlar → Toplantı sekmesinden seçtiğin ikinci bir model kendi talimatıyla bunu tutanağa çevirir: kararlar, aksiyonlar, açık sorular. Sonuç ~/.local/share/dikte/meetings altına ve Ayarlar → Tutanaklar sekmesine düşer. Yarıda kalan bir işlem ses kaydını saklar, yeniden denemede parası ödenmiş transkriptin üstünden devam eder.
Ses ve video dosyaları Ayarlar → Ses dosyası sekmesinde aynı modellerden geçer; istersen [dd:ss] zaman damgalarıyla, uzun dosyalar ffmpeg ile parçalanarak, sonuç .txt ya da .srt altyazı olarak kaydedilerek; temizleme burada kendi kurallarıyla, altyazı için yazılmış haliyle çalışır: satırlar yerinde kalır, hiçbir şey kısaltılmaz.
Geçmiş Ayarlar → Geçmiş sekmesinde; boyut sınırı var, sağ tıklayıp silebilirsin.
Türkçe ve İngilizce arayüz, varsayılan olarak sistem dilini izler.

Global kısayol için bir kez oturum kapatmak gerekir

KWin kglobalshortcutsrc dosyasını yalnızca açılışta okur, yani install.sh'ın yazdığı kısayol oturumu yeniden açana kadar tetiklenmez. O zamana kadar Ayarlar → Kısayol → yerleşik dinleyici /dev/input üzerinden kombinasyonu kendisi yakalar. Tek farkı: tuşu yutmaz, yani Ctrl+Space odaktaki uygulamaya da iletilir (bazı editörlerde otomatik tamamlama açılabilir). Dinleyici kullanıcının input grubunda olmasını gerektirir: sudo usermod -aG input $USER.

Dosyalar

dikte.py          giriş noktası, tepsi simgesi, durum makinesi
cli.py            komut satırı: bütün fiiller ve verdikleri cevap
ipc.py            yerel sokette bir istek, bir cevap
audio.py          PCM kaydı: diktede pw-record, toplantıda ffmpeg
meeting.py        kanal ayırma, konuşmacı etiketi, temizleme, tutanak
assistant.py      dikteyi Claude Code, Codex ya da OpenRouter'dan geçirme
api.py            her sağlayıcıda transkript ve temizleme (yalnız stdlib)
ggml.py           whisper.cpp ve llama.cpp'yi indirip burada çalıştırma
hub.py            GitHub ve Hugging Face'te bugün ne olduğu
worker.py         transkript → temizleme → pano → yapıştırma
vad.py            kayıtta gerçekten konuşma var mı kararı
filetranscribe.py dosyadan transkript: ffmpeg, parçalama, zaman damgaları
overlay.py        köşedeki gösterge
settings_ui.py    ayarlar penceresi
hotkey.py         KDE kısayol kurulumu ve evdev dinleyici
paste.py          wl-clipboard ve ydotool sarmalayıcıları
i18n.py           metin tablosu

Gösterge XWayland üzerinden çizilir; Wayland'da bir pencereyi belirli bir köşeye yerleştirmenin yolu yok, dikte.py bu yüzden QT_QPA_PLATFORM=xcb ayarlar.

Lisans

GPL-3.0, LICENSE dosyasına bak.

8.9 KiB Raw Blame History Unescape Escape