voicekit
רץ בדפדפןMCP-1st-Birthdayרישיון לא דווח2025-11-25
ערכת כלי קול לניתוח, השוואה ותמלול של קבצי שמע. מיועדת בעיקר למפתחים שרוצים לחבר יכולות עיבוד קול ישירות למודלי שפה דרך פרוטוקול MCP.
- —הורדות בחודש
- 53לייקים
מה זה
מזינים קובץ אודיו בהקלטה ישירה או בהעלאת קובץ, ובוחרים באחד משישה כלים שונים. בהתאם לכלי הנבחר מקבלים וקטור ייצוג של הקול, השוואת דמיון בין שני דוברים, ניתוח אקוסטי מפורט של גובה צליל וקצב, תמלול טקסט, או קובץ שמע מנוקה מרעשי רקע.
מאחורי הקלעים מופעלים כמה מנועים במקביל. הפקת הווקטורים נשענת על Wav2Vec2 של פייסבוק, הניתוח האקוסטי רץ על גבי ספריות librosa ו־scipy, ועבור התמלול ובידוד הקול נעשה שימוש במודלים חיצוניים של ElevenLabs. כל הכלים נחשפים הן דרך ממשק Gradio והן דרך נקודת קצה של שרת MCP שמעבירה קלט כטקסט בקידוד base64.
מתאים ל
- השוואת דוברים
בדיקת דמיון בין שתי הקלטות קול לקבלת ציון התאמה וטון, למשל לאימות חיקוי או זיהוי דובר.
- ניקוי רעשים והקלטות
הפרדת קול אנושי מתוך קבצי שמע עם מוזיקת רקע או רעשי סביבה לקבלת הקלטה נקייה.
- חיבור קולי לסוכני בינה
הפעלת ששת הכלים ישירות מתוך סביבות כמו Claude Desktop באמצעות שרת ה־MCP המובנה.
איפה זה נופל
התמלול ובידוד הקול נשענים על שירותים חיצוניים של ElevenLabs, ולכן תלויים בזמינות המפתחות והחיבור שלהם ולא רק במודל מקומי פתוח. בנוסף, חילוץ הווקטור בממשק מציג רק תצוגה מקדימה של חמישה ערכים מתוך 768 הממדים, מה שדורש חיבור MCP אמיתי כדי לעבוד עם המידע המלא. התמיכה בשפות מעבר לאנגלית קיימת בתמלול, אך ביצועי השוואת הקול מותאמים בעיקר למאגרי אימון קיימים ולא נבדקו ספציפית בעברית.
שאלות
נפוצות
האם השימוש באפליקציה כרוך בתשלום?
הגישה לממשק באתר Hugging Face חופשית ואינה דורשת תשלום או מנוי. עם זאת, פעולות התמלול והבידוד משתמשות במודלים של חברת צד שלישי שעלולים להיות מוגבלים במכסות של המפתחים. לשימוש נרחב משלכם תצטרכו להגדיר מפתחות גישה עצמאיים.
כמה זמן לוקח לכל פעולה להסתיים?
במצב פעיל, מרבית הפעולות מתבצעות בתוך פחות משנייה אחת ועד שלוש שניות בלבד. העיבוד הגרפי מבוצע על מעבדי T4 ייעודיים ברקע, ולכן אין עיכובים ארוכים אלא אם המערכת חווה הפעלה מחדש. קבצים ארוכים של עד עשר דקות עשויים לקחת מעט יותר זמן בעיבוד.
מה קורה עם קבצי האודיו שמעלים לכאן?
ההקלטות והקבצים מועברים אל שרתי האפליקציה לצורך עיבוד ומומרים לקידוד base64. היות שמדובר בסביבת הדגמה ציבורית ללא הצהרת פרטיות מוגדרת, מומלץ לא להעלות הקלטות רגישות, פרטיות או מידע מזהה.
במה הכלי הזה שונה מהרצת Wav2Vec2 בעצמי?
במקום לתכנת עיבוד אותות ורשתות עצביות מאפס, הממשק אורז מספר מודלים וספריות שונות לממשק אחיד אחד. היתרון העיקרי הוא תאימות מוכנה לפרוטוקול MCP, שמאפשרת לחבר את שירותי הקול ישירות למודלי שפה בלי לכתוב שרת ייעודי.
איך משתמשים
בממשק לוחצים על אחד מכפתורי הפעולה, כמו חילוץ וקטור, השוואה או תמלול, בהתאם לכרטיס שבוחרים. השרת פתוח בדפדפן בלי צורך בהתחברות או יצירת חשבון. המרחב עצמו מוגדר על חומרת מעבד בסיסית, אך חישובי ה־GPU הכבדים מתועדים ככאלה שרצים בסביבת Modal על כרטיס T4, כך שזמן התגובה מהיר יחסית ועומד על שניות בודדות.
הרישיון
היוצרים לא דיווחו על רישיון שימוש בקוד או במרחב. ללא רישיון ברור, אין היתר מפורש לשימוש מסחרי או הפצה מחדש, והעלאת קבצים לאפליקציה ציבורית ברשת חושפת את המידע לשרתים שמריצים אותה.