Voice Transcriber

Трей-приложение для Windows: записал голосовую заметку — получил текст с заголовком через несколько секунд.

Работает на OpenRouter + Google Gemini. Данные хранятся локально, никуда не отправляются кроме аудио на транскрибацию.

---

Возможности

• Запись прямо в приложении — через микрофон браузера, без сторонних программ
• Загрузка файла — поддерживаются OGG, MP3, WAV, WebM, M4A, AAC, FLAC (до 25 МБ)
• Автоматический заголовок — модель генерирует краткий заголовок на русском
• История и поиск — все транскрибации сохраняются локально в SQLite, есть полнотекстовый поиск и пагинация
• Настройки в приложении — API ключ и модель меняются без редактирования файлов
• Восстановление аудио — если транскрибация упала, аудиофайл сохраняется и доступен для повторной попытки
• Трей — приложение живёт в системном трее, окно открывается по клику

---

Установка

Готовый .exe (Windows)

1. Скачать VoiceTranscriber.exe из Releases
2. Запустить — при первом запуске автоматически откроется панель настроек
3. Ввести API ключ OpenRouter и нажать Save

Больше ничего не нужно. Данные и настройки хранятся в папке рядом с .exe.

Из исходников

Требования: Python 3.11+, uv

git clone https://github.com/pyramidheadshark/milvm_stt.git
cd milvm_stt
uv sync
uv run python tray.py

---

Настройки

Открыть панель настроек — кнопка ⚙ в заголовке окна.

Параметр	Описание
API Key	Ключ OpenRouter. Получить на openrouter.ai/keys
Model	ID модели OpenRouter с поддержкой аудио. По умолчанию — google/gemini-2.5-flash-lite-preview-09-2025

Изменения применяются сразу, без перезапуска.

Альтернативно — через .env в папке с .exe:

OPENROUTER_API_KEY=sk-or-v1-...
MODEL=google/gemini-2.5-flash-lite-preview-09-2025
PORT=8000

Список моделей с поддержкой аудио: openrouter.ai/models?input_modalities=audio

---

Стоимость

Модель по умолчанию: google/gemini-2.5-flash-lite-preview-09-2025

Тип токенов	Цена
Аудио	$0.30 / 1M
Текст (выход)	$0.40 / 1M

Заметка 1–2 минуты ≈ $0.001–0.003. При активном использовании (20 заметок/день) — около $1–2 в месяц.

---

Разработка

uv sync
make dev          # веб-режим с hot-reload
make tray         # трей-приложение
make build        # собрать .exe

Полный список команд: make help

Тесты

uv run pytest --cov=. -q

81 тест, покрытие 95%. CI запускается на каждый push: ruff + mypy + pytest.

Релиз

git tag v0.X.Y && git push origin v0.X.Y

GitHub Actions автоматически соберёт .exe и опубликует GitHub Release.

Правила версий: PATCH — фиксы и мелкие улучшения, MINOR — новые фичи, MAJOR — breaking changes.

---

Архитектура

├── tray.py              # точка входа — системный трей + окно pywebview
├── main.py              # FastAPI: все эндпоинты
├── config.py            # конфигурация, write_settings, reload_config
├── paths.py             # разрешение путей (dev / PyInstaller bundle)
├── services/
│   ├── transcriber.py   # OpenRouter API, retry, парсинг ответа
│   └── storage.py       # SQLite, история, failed audio
├── templates/
│   └── index.html       # весь UI — vanilla JS, без сборки
├── assets/              # иконки
├── tests/               # 81 тест
└── .github/workflows/
    ├── ci.yml           # lint + typecheck + test
    └── release.yml      # build .exe → GitHub Release

Стек: FastAPI · pywebview · pystray · aiosqlite · httpx · Jinja2 · uv · PyInstaller

Поток транскрибации:

микрофон → MediaRecorder (WebM/Opus)
         → POST /transcribe
         → base64 + input_audio → OpenRouter API
         → парсинг TITLE / TEXT
         → SQLite + возврат в UI

При ошибке API аудио сохраняется как FAILED_*.ogg — доступно для скачивания из UI.