AudioScript 0.7.1 は Windows、macOS、Linux で動く、源を公開した卓上の字幕の道具です。マイクではなく、機械が鳴らしている音のほうを聞き、音声の聞き取りと中英の翻訳をその機械の中で済ませて、元の行と訳の行を一つの浮かぶ窓に重ねます。この道のりは網につながらなくても最後まで通り、音は機械の外へ出ません。

外国語の音が詰まるのは「聞く」段

英語の音声番組でいちばんよく起きる事故は、三秒ほど気がそれて戻ったとき、話がどこまで進んだのか分からなくなり、進行のつまみを十五秒だけ戻すことです。字幕のない外国語の映像も同じで、一句を取りこぼせば止めて、巻き戻して、もう一度聞くことになります。網の上の会議で相手の口が速くなれば、頭の中で訳すのに追われて手元の仕事が止まります。三つとも形は同じです。詰まっているのは理解の力ではなく、音を文字に変えるまでの短い区間です。

AudioScript が扱うのはまさにその区間です。外国語の音声番組、映像、会議の中の話し言葉をその場で文字にし、一句ずつ訳して、浮かぶ窓として画面に貼ります。聞き取りも翻訳もこの機械の中で走り、音はどこにも送られません。

仮想の音響機器を入れず、音は仕組みから直接取る

仕組みの音を捕まえるのは、以前は面倒な仕事でした。仮想の音響機器のドライバーを入れ、音の設定で複数の出力へ分ける道を作り、音がスピーカーと仮想機器の両方へ同時に届くようにして、そのあと切り戻すのを覚えていないといけません。忘れれば機械は無音になります。AudioScript は別の道を取ります。macOS では Core Audio Process Tap、Windows では WASAPI のループバックを呼び、どちらも仕組みが元から持っている力で、ヘッドホンを着けたままでも音を拾います。

音の出どころは三つ用意され、仕組みの音、マイク、その二つを混ぜたもの、既定は仕組みの音です。混ぜる形は網の上の会議のためにあり、相手の声は仕組みの出力から、自分の声はマイクから入り、両方が一緒に文字になります。名指しした道具の音だけを取ることもでき、その数は四つまでなので、会議のときに音楽の再生を外しておけます。

半句で出て、句の終わりで確定する

企画の覚え書きはこの理屈をはっきり書いています。詰まっているのはモデルではなく、遅れの予算のほうだと。だから AudioScript は一句を言い終わるのを待ちません。聞き取りの結果は届いた端から流れ、半句が先に出て、句の終わりで言い方が確定します。字幕は声を追いかけ、一段落を聞き終えてから塊で飛び出すのではありません。句の切り分けは Silero VAD が自然な間を見つけ、二つの言語を激しく混ぜて話すときは X-ASR のモデルに替えられ、句読点と大文字小文字も付いて出てきます。

浮かぶ窓で回せる四つのつまみ

字幕の窓は二行の形に固定され、元の文が上、訳が下、同じ一句は隣り合ったままです。字の大きさは 10 から 48 画素まで、既定は 22、背景の透け具合は六割から始まり、六行を一度に見せ、流れる縁は既定で入っています。透けるのは背景だけで、文字は決して透けません。背景を限りなく薄くしても、字が一緒にぼやけることはありません。

留め金を掛けるとマウスは完全に通り抜け、焦点も奪いません。字幕の位置を押しても、下にある再生の窓が押されます。macOS では、普通の常時手前ではできないこともしています。窓の段を画面の休みの表示より上へ上げるので、別の道具が全画面の映像や全画面の会議を開いても、字幕は上に浮いたままです。

モデルは包みに同梱、開けばそのまま使える

聞き取りは端末向けの推論の仕組みで流しながら走らせ、翻訳は CTranslate2 の上の OPUS-MT です。中英の聞き取りのモデルは 58MB、翻訳のモデルは約 164MB で、どちらも包みの中にあり、最初の起動で網から落とす必要はありません。代価は包みが大きいことで、二百メガ前後になります。その代わりに開いた瞬間から働き、モデルの山を待たされません。

最初の書き起こしではモデルを一度読み込み、企画の示す数字は 1.25 から 2.2 秒、そのあとは流れるままに出ます。一句の翻訳は 70 から 77 ミリ秒、条件はリリース版の組み方、M 系列のチップ、ビーム幅 1 で、古い機械では遅くなります。語を増やしたいときは別のモデルを足せます。聞き取り側に Nemotron と Qwen3-ASR、翻訳側に LMT-60 と NLLB-200 があり、最後の一つは非営利の用途に限られます。

許諾

MIT、源は公開、作りは Tauri 2 に Rust と React

版

0.7.1、2026 年 11 月 12 日に出ました

動く先

macOS 14.2 以降で Apple のチップが必要、Windows 10 以降、Ubuntu 24

同梱のモデル

聞き取り 58MB、中英の翻訳は約 164MB、包みに入れて配られます

先に知っておきたい境目

AudioScript が今できるのは英語と中国語の二方向だけで、向きは自分で選びます。言語を自動で見分ける働きはなく、英語の音声番組なら英から中、外国の同僚に中国語で話すなら中から英、選び間違えたら自分で気づくほかありません。動く先については、macOS は 14.2 以降で Apple のチップが要り、Intel の Mac 向けの包みは用意されていません。Windows 10 以降は一等の支えですが、全画面を独り占めする遊びには窓が隠れます。Linux は二等の支えで、GNOME の Wayland では窓が上に残る保証がありません。

書き起こしは Markdown として書き出せ、確定した段落には時刻が付き、元の文と訳は対のまま残ります。常駐の棚、窓を閉じても終わらないこと、一つだけの起動、ログイン時の開始といった細部も揃っていて、一度入れれば後は触らない類の道具です。外国語の音声番組をよく聞く人、字幕のない外国語の映画を見る人、言語をまたぐ会議に出る人に向き、中英を並べた書き起こしを手元に残したい人にも向きます。