VoiceCapture 2.4.0

VoiceCapture — портативная open-source утилита для голосового ввода на Windows. Записывает речь, транскрибирует через облачные API (Groq, OpenAI Whisper, OpenRouter / Gemini), улучшает текст через LLM и автоматически вставляет результат в активное поле. Поддерживает интеграцию с n8n Webhook для автоматизации обработки голосовых заметок.

⭐ Проект открытый. Fork, Star, PR приветствуются.

🚀 Быстрый старт

Скачайте VoiceCapture.exe из раздела Releases.
Запустите файл — установка не требуется.
Откройте настройки (⚙️) и введите API-ключ Groq, OpenAI или OpenRouter.
Зажмите Ctrl + Win — говорите — отпустите. Текст вставится сам.

✨ Возможности

Функция	Описание
🎙️ Голосовой ввод	Нажми `Ctrl+Win`, говори, отпусти — текст появится в нужном месте
💡 Голосовые заметки	`Ctrl+Win+Alt` — запись идеи/заметки отдельным потоком
🧠 3 ASR-провайдера	Groq Whisper, OpenAI Whisper, OpenRouter (Gemini) — выбор и авто-fallback
LLM-постобработка	Автоисправление пунктуации, грамматики через Groq/OpenAI
🔗 N8N Webhook	Заметки автоматически улетают на ваш N8N workflow
📋 Clipboard	Распознанный текст сразу в буфер + автовставка
📜 История	Последние 50 записей с raw/processed вариантами
🔄 Crash Recovery	Аудио сохраняется и переобрабатывается после сбоя
⚡ Ускорение x2	Опциональное ускорение аудио для экономии API-трафика
🎛️ Выбор микрофона	Любое аудиоустройство в настройках
🪟 Портативность	Один `.exe`, без инсталляции, без прав администратора

⌨️ Горячие клавиши

Клавиши	Действие
`Ctrl + Win` (удержать)	Начать запись речи → отпустить = транскрибировать и вставить
`Ctrl + Win + Alt` (удержать)	Записать голосовую заметку (идею) → отправить на N8N или сохранить в список
`Esc`	Отменить текущую запись
`Ctrl + Alt + S`	Показать/скрыть главное окно

Все горячие клавиши настраиваемые — меняются в разделе «Горячие клавиши» в настройках.

🔗 Интеграция с N8N Webhook

Самая мощная фича для автоматизации. Когда вы нажимаете Ctrl+Win+Alt и диктуете заметку:

Речь транскрибируется и обрабатывается LLM.
Результат отправляется POST-запросом на указанный N8N Webhook URL.
N8N может записать в Notion, отправить в Telegram, создать задачу в Jira — что угодно.

Настройка:

В N8N создайте Workflow с триггером Webhook.
Скопируйте URL вида https://your-n8n.example.com/webhook/abc123.
В VoiceCapture откройте ⚙️ Настройки → раздел «Интеграции».
Вставьте URL в поле «Webhook N8N (конечная точка)».
Сохраните.

Что приходит на Webhook:

{
  "text": "Текст распознанной и обработанной заметки",
  "timestamp": "2026-03-15T10:30:00.000000",
  "source": "VoiceCapture"
}

Поведение при заполненном Webhook:

Список идей в главном окне скрывается — всё уходит на сервер.
При записи статус показывает «Запись → N8N Webhook...».
После отправки появляется ✅ «Отправлено на N8N Webhook» или ❌ при ошибке (5 сек).
При пустом поле Webhook — обычный режим: список идей в окне + logs/ideas.log.

🧠 OpenRouter / Gemini как ASR-бекенд

С версии 2.4.0 VoiceCapture поддерживает третий бекенд распознавания — OpenRouter (или любой совместимый прокси). Это даёт доступ к мультимодальным моделям, которые умеют распознавать аудио прямо внутри chat/completions — например google/gemini-3.1-flash-lite-preview (модель по умолчанию).

Чем OpenRouter отличается от Groq / OpenAI

Groq и OpenAI используют классический Whisper через POST /audio/transcriptions с multipart-файлом.
OpenRouter использует chat/completions и принимает аудио как base64-строку внутри поля input_audio.
Это позволяет передавать в модель полноценный prompt (не просто список слов), описывая, что именно и как распознавать: имена, термины, стиль, язык, форматирование.

Логика передачи аудио в OpenRouter

VoiceCapture записывает аудио с микрофона.
Аудио кодируется в OGG Vorbis (по умолчанию — самое выгодное сжатие, ~8-10× меньше WAV). Можно выбрать mp3 или wav в настройках.
Полученные байты кодируются в base64.
Формируется JSON-запрос на {OpenRouter Base URL}/chat/completions:

{
  "model": "google/gemini-3.1-flash-lite-preview",
  "modalities": ["text"],
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text",        "text": "ASR prompt из настроек" },
        { "type": "input_audio", "input_audio": { "data": "<base64>", "format": "ogg" } }
      ]
    }
  ],
  "stream": false
}

Ответ модели извлекается из choices[0].message.content и идёт дальше по обычному потоку (LLM-постобработка → буфер обмена → вставка).

Ручной выбор и автоматический fallback

Ручной выбор: в ⚙️ Настройках → «Сервис распознавания» выберите OpenRouter. Все записи пойдут через него.
Fallback: если выбранный бекенд упадёт (таймаут, 404 от Cloudflare, 429 rate limit), VoiceCapture автоматически попробует остальные в порядке OpenRouter → Groq → OpenAI (выбранный всегда идёт первым). До 5 попыток.

Настройка OpenRouter

Получите ключ на openrouter.ai или у своего прокси-провайдера.
⚙️ Настройки → OpenRouter API key — вставьте ключ.
OpenRouter Base URL — впишите endpoint, например https://openrouter.ai/api/v1 или адрес вашего прокси.
OpenRouter ASR model — по умолчанию google/gemini-3.1-flash-lite-preview, можно поменять на любую совместимую модель OpenRouter.
OpenRouter ASR prompt — (опционально) инструкция модели: «Распознавай техническую речь на русском, сохраняй термины на английском без искажений» и т.п.
OpenRouter audio format — ogg (рекомендуется), mp3 или wav.

⚠️ Важно: Ни ключи, ни URL в коде не захардкожены. Всё хранится только в локальном config.yaml (который в .gitignore), поэтому репозиторий можно безопасно публиковать на GitHub.

⚙️ Настройка

Получение бесплатного Groq API ключа

Groq — самый быстрый вариант с щедрым бесплатным планом:

Зайдите на console.groq.com.
Зарегистрируйтесь / войдите.
В разделе «API Keys» создайте новый ключ.
Вставьте в VoiceCapture: ⚙️ → Groq API key.

Описание всех настроек

Раздел	Параметр	Описание
Аудио	Микрофон	Выбор устройства ввода
Аудио	Ускорение x2	Ускоряет аудио перед отправкой (меньше трафика)
Сервис распознавания	Backend	Groq, OpenAI или OpenRouter
Сервис распознавания	Groq / OpenAI / OpenRouter API Key	Ключи провайдеров (хранятся локально в `config.yaml`)
Сервис распознавания	OpenAI Base URL	Custom endpoint (совместимые API: LM Studio, vLLM)
Сервис распознавания	OpenRouter Base URL	Endpoint OpenRouter или совместимого прокси
Горячие клавиши	Запись	По умолчанию `ctrl+win`
Горячие клавиши	Запись идеи	По умолчанию `ctrl+win+alt`
Модели ASR	Groq ASR model	По умолчанию `whisper-large-v3`
Модели ASR	OpenAI ASR model	По умолчанию `whisper-1`
Модели ASR	OpenRouter ASR model	По умолчанию `google/gemini-3.1-flash-lite-preview`
Модели ASR	Groq / OpenAI / OpenRouter ASR prompt	Подсказка модели: термины, имена, стиль распознавания
Модели ASR	OpenRouter audio format	Формат кодирования перед отправкой: `ogg` (дефолт), `mp3`, `wav`
Постобработка	Включить	Вкл/выкл LLM-коррекции
Постобработка	Сервис	Groq или OpenAI для LLM
Постобработка	Модели	LLM-модели для коррекции
Постобработка	System Prompt	Инструкция для LLM (можно попросить переводить, писать в стиле и т.д.)
Интеграции	Webhook N8N	URL конечной точки N8N для голосовых заметок

🏗️ Архитектура

voice2.0/
├── src/
│   ├── main.py                  # App класс, оркестратор
│   ├── config/
│   │   └── settings.py          # Датаклассы настроек, load/save YAML
│   ├── audio/
│   │   └── recorder.py          # Запись через sounddevice
│   ├── hotkey/
│   │   └── hotkey_manager.py    # Глобальные хоткеи через keyboard
│   ├── recognition/
│   │   ├── groq_api.py          # Groq Whisper транскрибация
│   │   ├── openai_api.py        # OpenAI Whisper транскрибация
│   │   ├── openrouter_api.py    # OpenRouter / Gemini (chat/completions + input_audio)
│   │   └── postprocessor.py     # LLM постобработка текста
│   ├── clipboard/
│   │   └── clipboard_manager.py # Копирование и вставка
│   ├── ui/
│   │   ├── floating_window.py   # Главное плавающее окно
│   │   ├── settings_dialog.py   # Диалог настроек
│   │   ├── history_dialog.py    # Окно истории
│   │   └── system_tray.py       # Системный трей
│   └── utils/
│       ├── history.py           # История распознаваний
│       ├── recovery.py          # Восстановление после сбоя
│       └── logger.py            # Настройка loguru
├── config.yaml                  # Конфиг (создаётся автоматически, в .gitignore)
├── build_exe.py                 # Сборка в .exe через PyInstaller
└── requirements.txt

Ключевые решения:

Один файл конфига — config.yaml в корне проекта/рядом с .exe. Нет config.local.yaml, нет нескольких файлов.
Каскад из 3 backend-ов — при ошибке основного провайдера автоматически пробует остальные (OpenRouter → Groq → OpenAI), до 5 попыток.
Два формата вызова ASR — Whisper (multipart) для Groq/OpenAI и chat/completions (base64 input_audio) для OpenRouter.
OGG Vorbis по умолчанию для OpenRouter — сжатие в 8-10 раз компактнее WAV, без внешних зависимостей (через libsndfile).
Ноль секретов в коде — ни ключи, ни endpoint'ы не захардкожены. Всё только через UI-настройки и config.yaml (в .gitignore).
Webhook в daemon-потоке — отправка на N8N не блокирует UI и основную обработку.
Безопасные сигналы Qt — все обращения к UI из воркер-потоков через pyqtSignal.
PyInstaller onefile — все зависимости упакованы в один .exe, включая SSL-сертификаты (certifi).

🛠️ Сборка из исходников

Требования: Python 3.12+, Windows 10/11.

# Клонируем репозиторий
git clone https://github.com/oiv-an/Voice.git
cd voice2.0

# Устанавливаем зависимости
pip install -r requirements.txt

# Запуск в dev-режиме
python src/main.py

# Сборка в .exe
python build_exe.py
# Готовый файл: dist/VoiceCapture.exe

Зависимости (requirements.txt)

Пакет	Назначение
`PyQt6`	GUI
`sounddevice` + `numpy`	Запись аудио
`keyboard`	Глобальные хоткеи
`groq` + `openai`	API клиенты
`loguru`	Логирование
`pyyaml`	Конфиг
`pyperclip`	Clipboard
`certifi`	SSL-сертификаты для PyInstaller

📋 Changelog

v2.4.1 (unreleased)

⌨️ Восстановление горячих клавиш: Добавлена кнопка ⌨ в главном окне для ручного полного перезапуска приложения, если Windows перестала доставлять Ctrl+Win, хотя UI остаётся живым.
🔄 Профилактическая перерегистрация hooks: Глобальные hotkey hooks мягко перерегистрируются каждые 10 минут, если запись не активна.
🐛 Исправлен self-restart в PyInstaller onefile: Перезапуск .exe теперь идёт через отдельный launcher с очисткой _PYI_* и PYINSTALLER_RESET_ENVIRONMENT=1, чтобы избежать ошибок временной папки _MEI... и проблем подключения после рестарта.

v2.4.0 (текущая)

🧠 OpenRouter как третий ASR-бекенд: Можно выбрать OpenRouter в настройках и распознавать через мультимодальные модели OpenRouter (по умолчанию — google/gemini-3.1-flash-lite-preview).
🎙️ ASR Prompt: У каждого бекенда (Groq, OpenAI, OpenRouter) появилось отдельное поле «ASR prompt» — инструкция модели по распознаванию (термины, имена, стиль).
🔄 Расширенный fallback-каскад: При ошибке основного провайдера система автоматически пробует остальные в порядке OpenRouter → Groq → OpenAI (выбранный всегда первый).
🗜️ OGG Vorbis для OpenRouter: Аудио перед отправкой сжимается через libsndfile в OGG (в 8-10 раз меньше WAV). В настройках можно выбрать ogg, mp3 или wav.
🔐 Ноль секретов в коде: Все ключи и endpoint'ы OpenRouter задаются только через UI-настройки и сохраняются локально в config.yaml. Репозиторий безопасен для публикации.

v2.3.0

** N8N Webhook интеграция:** В настройках (раздел «Интеграции») можно указать URL Webhook N8N. При нажатии Ctrl+Win+Alt голосовая заметка транскрибируется и автоматически отправляется POST-запросом на указанный URL.
🔄 Webhook mode: Если Webhook заполнен — список идей в главном окне скрывается, результат идёт только на сервер. Показывается статус ✅/❌.
📍 Статус записи: При записи идеи/Webhook показывается «Запись → N8N Webhook...» или «Запись идеи...» вместо обычного «Запись...».
🐛 Исправлено мигание при нажатии Ctrl+Win+Alt — надпись больше не мигает при добавлении Alt к зажатым Ctrl+Win. Фикс в hotkey_manager.py: _handle_release() теперь проверяет, что Ctrl+Win действительно отпущены, прежде чем останавливать запись.

v2.2.7

Исправлена ошибка SSL: Исправлена проблема с SSL-сертификатами при работе собранного exe-файла.

v2.2.6

Улучшение интерфейса: Если отключен постпроцессинг (LLM), второе текстовое поле скрывается.

v2.2.5

Обслуживание: Кнопка очистки папки RECOVERY в настройках.
Баг-фикс: Пустые аудиофайлы больше не накапливаются.

v2.2.4

Сохранение размера окна: Размер запоминается между сессиями.

v2.2.3

Фильтрация галлюцинаций LLM: Фразы-заглушки («Продолжение следует...») игнорируются.

v2.2.2

Пустой ввод: Если распознавание вернуло пустой текст — показывается заглушка.

v2.2.1

Исправление зависаний: Устранена критическая ошибка зависания при быстрых хоткеях.

v2.2.0

История распознаваний: Кнопка 🕒 — последние 50 записей с копированием.

v2.1.2

Изменение размера окна: Уголок resize в правом нижнем углу.

v2.1.1

Настраиваемый System Prompt: Поле для редактирования инструкции LLM в настройках.

v2.1.0

Поддержка Groq API.

🤝 Contributing

Pull requests приветствуются. Для крупных изменений — сначала откройте Issue для обсуждения.

Fork репозитория.
Создайте feature-ветку: git checkout -b feature/my-feature.
Commit: git commit -m 'Add my feature'.
Push: git push origin feature/my-feature.
Откройте Pull Request.

📄 Лицензия

MIT License. Делайте что хотите.

VoiceCapture 2.4.0 (English)

VoiceCapture is a portable open-source voice typing utility for Windows. Records speech, transcribes via cloud APIs (Groq Whisper, OpenAI Whisper, OpenRouter / Gemini), improves text via LLM, and automatically pastes the result into the active field. Supports n8n Webhook integration for automating voice note processing.

Features

🎙️ Voice Input: Hold Ctrl+Win, speak, release — text appears where you need it.
💡 Voice Notes: Ctrl+Win+Alt — records an idea/note in a separate flow.
🧠 3 ASR Providers: Groq Whisper, OpenAI Whisper, OpenRouter (Gemini) — pick one or let auto-fallback handle failures.
LLM Post-processing: Auto-corrects punctuation, grammar via Groq/OpenAI.
🔗 N8N Webhook: Notes automatically fly to your N8N workflow.
📋 Clipboard: Recognized text goes straight to clipboard + auto-paste.
📜 History: Last 50 recordings with raw/processed variants.
🔄 Crash Recovery: Audio is saved and reprocessed after a crash.
⚡ x2 Speedup: Optional audio speedup to save API traffic.
🎛️ Microphone Selection: Any audio device in settings.
🪟 Portable: Single .exe, no installation, no admin rights required.

OpenRouter / Gemini ASR Backend (v2.4.0)

VoiceCapture now supports OpenRouter as a third ASR backend. Unlike Groq/OpenAI (which use classic Whisper multipart upload), OpenRouter sends audio as a base64-encoded input_audio block inside a chat/completions request — so you can use multimodal models like google/gemini-3.1-flash-lite-preview (default).

How it works:

Audio is encoded to OGG Vorbis (default, ~8-10x smaller than WAV), MP3 or WAV.
Bytes are base64-encoded and placed into messages[].content[].input_audio.
Request is POSTed to {OpenRouter Base URL}/chat/completions.
The model returns the transcription, which continues through LLM post-processing → clipboard → paste.

Manual selection + automatic fallback: pick OpenRouter in settings to use it as the primary ASR. If it fails (timeout, Cloudflare challenge, rate limit), VoiceCapture automatically falls back to Groq and OpenAI in that order.

Zero secrets in code: API keys and Base URLs are never hardcoded — everything is configured through the UI and stored only in the local config.yaml (which is in .gitignore). Safe for open-source publishing.

N8N Webhook Integration

When you press Ctrl+Win+Alt and dictate a note:

Speech is transcribed and processed by LLM.
Result is sent as a POST request to the specified N8N Webhook URL.
N8N can write to Notion, send to Telegram, create a task in Jira — anything.

Payload sent to Webhook:

{
  "text": "Transcribed and processed note text",
  "timestamp": "2026-03-15T10:30:00.000000",
  "source": "VoiceCapture"
}

Setup: Settings (⚙️) → Integrations → N8N Webhook (endpoint) → paste your webhook URL.

Changelog

v2.4.1 (unreleased)

Hotkey recovery: Added a ⌨ button to the main window for a full manual app restart when Windows stops delivering Ctrl+Win while the UI is still alive.
Scheduled hook refresh: Global hotkey hooks are softly re-registered every 10 minutes when recording is not active.
PyInstaller onefile self-restart fix: The built .exe now restarts through a detached launcher that clears _PYI_* variables and sets PYINSTALLER_RESET_ENVIRONMENT=1, avoiding _MEI... temporary directory cleanup errors and broken connectivity after restart.

v2.4.0

OpenRouter as 3rd ASR backend: Pick OpenRouter in settings and transcribe via multimodal models (default: google/gemini-3.1-flash-lite-preview).
ASR Prompt field: Every backend (Groq, OpenAI, OpenRouter) now has its own "ASR prompt" — an instruction to the recognition model about terms, names, style.
Extended fallback cascade: On primary provider failure, the system tries remaining backends in order OpenRouter → Groq → OpenAI (user-selected always first). Up to 5 attempts.
OGG Vorbis for OpenRouter: Audio is compressed via libsndfile to OGG before base64 encoding (~8-10x smaller than WAV). ogg, mp3, wav are configurable.
Zero hardcoded secrets: All OpenRouter keys and endpoints are UI-configurable and stored locally in config.yaml. Safe to open-source.

v2.3.0

N8N Webhook integration: Voice notes are automatically sent to N8N webhook URL (configurable in Settings → Integrations).
Webhook mode: When webhook is set, the ideas list is hidden; results go to server only. Shows ✅/❌ status.
Recording status: Shows "Recording → N8N Webhook..." or "Recording idea..." instead of generic "Recording...".
Fixed flickering when pressing Ctrl+Win+Alt — status label no longer flickers when adding Alt to held Ctrl+Win.

v2.2.7

SSL certificate fix for built exe file.

v2.2.6

UI: second text field hidden when post-processing is disabled.

v2.2.5

Added "Clear RECOVERY folder" button in settings.
Fixed empty audio files accumulation.

v2.2.4

Window size is now saved between sessions.

v2.2.3

LLM hallucination filtering (placeholder phrases are ignored).

v2.2.2

Empty input placeholder.

v2.2.1

Fixed critical freeze bug on rapid hotkey presses.

v2.2.0

Recognition history with 🕒 button.

v2.1.2

Window resizing via bottom-right corner grip.

v2.1.1

Configurable LLM system prompt in settings.

v2.1.0

Groq API support added.

Build from Source

Requirements: Python 3.12+, Windows 10/11.

git clone https://github.com/oiv-an/Voice.git
cd voice2.0
pip install -r requirements.txt

# Run in dev mode
python src/main.py

# Build .exe
python build_exe.py
# Output: dist/VoiceCapture.exe

License

MIT License.

Name		Name	Last commit message	Last commit date
assets/icons		assets/icons
plans		plans
src		src
.gitignore		.gitignore
README.md		README.md
build_exe.py		build_exe.py
requirements.txt		requirements.txt
start_voicecapture.bat		start_voicecapture.bat

Latest commit

History

Folders and files

Repository files navigation

VoiceCapture 2.4.0

🚀 Быстрый старт

✨ Возможности

⌨️ Горячие клавиши

🔗 Интеграция с N8N Webhook

Настройка:

Что приходит на Webhook:

Поведение при заполненном Webhook:

🧠 OpenRouter / Gemini как ASR-бекенд

Чем OpenRouter отличается от Groq / OpenAI

Логика передачи аудио в OpenRouter

Ручной выбор и автоматический fallback

Настройка OpenRouter

⚙️ Настройка

Получение бесплатного Groq API ключа

Описание всех настроек

🏗️ Архитектура

Ключевые решения:

🛠️ Сборка из исходников

Зависимости (requirements.txt)

📋 Changelog

v2.4.1 (unreleased)

v2.4.0 (текущая)

v2.3.0

v2.2.7

v2.2.6

v2.2.5

v2.2.4

v2.2.3

v2.2.2

v2.2.1

v2.2.0

v2.1.2

v2.1.1

v2.1.0

🤝 Contributing

📄 Лицензия

VoiceCapture 2.4.0 (English)

Features

OpenRouter / Gemini ASR Backend (v2.4.0)

N8N Webhook Integration

Changelog

v2.4.1 (unreleased)

v2.4.0

v2.3.0

v2.2.7

v2.2.6

v2.2.5

v2.2.4

v2.2.3

v2.2.2

v2.2.1

v2.2.0

v2.1.2

v2.1.1

v2.1.0

Build from Source

License

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages