AudioScript 0.7.1 est un outil de sous-titres libre pour Windows, macOS et Linux. Il n'ecoute pas un microphone: il ecoute ce que la machine joue deja, mene la reconnaissance vocale et la traduction chinois-anglais sur place, et pose la ligne d'origine au-dessus de sa traduction dans une fenetre flottante. Rien dans cette chaine n'a besoin du reseau, et le son ne quitte pas l'ordinateur.

Le son etranger cale a l'etape de l'ecoute

L'accident le plus courant avec un podcast anglais, c'est le regard qui part trois secondes et revient sans savoir ou l'intervenant en est, ce qui veut dire tirer la barre de progression quinze secondes en arriere. Une video etrangere sans sous-titres se comporte pareil: une phrase file, on met en pause, on rembobine, on reecoute. Dans une reunion en ligne, des que l'autre cote accelere, on passe tout l'echange a traduire dans sa tete et son propre travail s'arrete. Les trois ont la meme forme. Ce qui coince n'est pas la comprehension, mais le court trajet ou le son doit devenir du texte.

AudioScript travaille exactement sur ce trajet. Il transforme en texte la parole d'un podcast, d'une video ou d'une reunion etrangere au fur et a mesure, la traduit phrase par phrase, et fixe le resultat a l'ecran dans une fenetre flottante. Reconnaissance et traduction tournent toutes deux sur cette machine, et le son ne va nulle part.

Le son vient du systeme, sans carte son virtuelle

Capter le son du systeme etait autrefois une corvee. On installait un pilote de carte son virtuelle, on montait dans les reglages audio une route a plusieurs sorties pour que le son arrive en meme temps aux haut-parleurs et a l'appareil virtuel, puis il fallait penser a revenir en arriere; oublie, l'ordinateur restait muet. AudioScript prend un autre chemin. Sous macOS il appelle Core Audio Process Tap, sous Windows le retour WASAPI, deux moyens que le systeme fournit deja, et tous deux captent encore le son avec un casque sur les oreilles.

Trois sources sont proposees: le systeme, le microphone, ou les deux melanges, le systeme par defaut. Le mode mixte existe pour les reunions en ligne, ou l'autre cote arrive par la sortie du systeme et sa propre voix par le microphone, les deux etant transcrits ensemble. AudioScript peut aussi ne prendre que les applications nommees, quatre au plus, ce qui permet de laisser un lecteur de musique hors d'une reunion.

Une demi-phrase apparait, la ligne se fixe a la fin

Les notes du projet disent la chose clairement: le goulot n'est pas le modele mais le budget de latence. AudioScript n'attend donc pas une phrase entiere. Les resultats de reconnaissance sortent des qu'ils arrivent, une demi-phrase apparait d'abord, et la formulation se fixe a la fin de la phrase. Le sous-titre court apres la voix au lieu de jaillir d'un bloc une fois le paragraphe entendu. Silero VAD trouve les pauses naturelles pour decouper; quand les deux langues se melangent fort, on passe au modele X-ASR, qui rend aussi la ponctuation et les majuscules.

Quatre reglages sur la fenetre flottante

La fenetre garde une forme fixe de deux lignes, l'origine en haut, la traduction en bas, la meme phrase restant ensemble. Le corps va de 10 a 48 pixels, 22 par defaut, l'opacite du fond part a soixante pour cent, six lignes s'affichent a la fois, et le bord qui coule est actif d'origine. Seul le fond devient transparent, jamais les lettres: un fond presque efface laisse donc le texte lisible.

Une fois verrouillee, la fenetre laisse passer la souris et ne prend jamais le focus, si bien qu'un clic a l'endroit du sous-titre atteint le lecteur en dessous. Sous macOS, AudioScript reussit meme ce qu'un simple toujours-devant ne sait pas faire: il porte la fenetre au-dessus du niveau de l'economiseur d'ecran, ce qui garde le sous-titre visible quand une autre application ouvre une video ou une reunion en plein ecran.

Les modeles voyagent dans le paquet

La reconnaissance passe par une inference en flux avec sherpa-onnx, la traduction fait tourner OPUS-MT sur CTranslate2. Le modele chinois-anglais pese 58MB et celui de traduction environ 164MB, et les deux sont dans le paquet, donc le premier lancement ne telecharge rien. Le prix est un paquet lourd, autour de deux cents megaoctets; en echange, AudioScript travaille des l'ouverture, sans attendre une pile de modeles.

La premiere transcription charge les modeles une fois, ce que le projet donne a 1.25 ou 2.2 secondes, apres quoi la sortie coule. Une phrase se traduit en 70 a 77 millisecondes, mesurees sur une compilation release avec une puce de la serie M et un beam a 1; une machine plus ancienne ralentit. D'autres langues arrivent par des modeles supplementaires: Nemotron et Qwen3-ASR cote reconnaissance, LMT-60 et NLLB-200 cote traduction, le dernier reserve a un usage non commercial.

Licence

MIT, sources ouvertes, bati avec Tauri 2, Rust et React

Version

0.7.1, parue le 12 novembre 2026

Plateformes

macOS 14.2 ou plus sur puce Apple, Windows 10 ou plus, Ubuntu 24

Modeles inclus

58MB pour la reconnaissance, environ 164MB pour le chinois-anglais, livres dans le paquet

Des limites a connaitre d'avance

AudioScript ne traite pour l'instant que l'anglais et le chinois, et l'on choisit le sens soi-meme. Il n'y a pas de detection automatique de la langue: anglais vers chinois pour un podcast, chinois vers anglais face a un collegue etranger, et un mauvais choix reste a remarquer. Cote plateformes, macOS demande 14.2 ou plus sur puce Apple et le projet ne livre pas de paquet pour Mac Intel; Windows 10 et plus compte comme support de premier rang, mais un jeu en plein ecran exclusif recouvre le sous-titre; Linux compte comme second rang, et la fenetre n'est pas garantie au-dessus sous GNOME Wayland.

Les transcriptions s'exportent en Markdown avec des horodatages sur les paragraphes fixes, origine et traduction gardees par paires. L'icone reste dans la zone de notification, fermer la fenetre ne quitte pas, et l'instance unique comme le demarrage a l'ouverture de session sont la aussi, ce qui range l'outil parmi ceux qu'on installe une fois. Il convient a qui ecoute des podcasts etrangers, regarde des films etrangers sans sous-titres ou suit des reunions entre langues, et a quiconque voudrait garder une transcription bilingue sous la main.