Sokuji

Что такое Sokuji

Sokuji – нейросеть для перевода речи в реальном времени. Работает как в облаке, так и полностью автономно на вашем устройстве. Вы говорите на одном языке, а собеседники слышат перевод так, будто вы говорите на их родном. Кроссплатформенное решение доступно в виде настольного приложения для Windows, macOS и Linux, плюс расширение для Chrome и Edge.

Главное преимущество – возможность локального вывода без интернета, API-ключей и мощного GPU. Все процессы распознавания речи, перевода и синтеза голоса выполняются на устройстве с использованием WASM и WebGPU. Полная конфиденциальность: ваши разговоры не покидают устройство и не передаются на сторонние серверы.

Сервис разработан Kizuna AI Lab – командой, которая фокусируется на преодолении языковых барьеров с помощью технологий. Название Sokuji (即時) переводится с японского как «мгновенный» или «в реальном времени». Что, собственно, точно отражает суть инструмента.

Sokuji подходит для удаленных команд, которые работают на разных языках, участников международных встреч и конференций. Также для тех, кто ценит приватность и не хочет передавать голосовые данные в облако. Сервис полезен разработчикам, которым нужен гибкий инструмент с открытым исходным кодом и возможностью интеграции с различными API.

Помимо автономного режима, Sokuji интегрируется с облачными сервисами: OpenAI, Google Gemini, Palabra.ai, Kizuna AI, Doubao AST 2.0 и любыми API, совместимыми с OpenAI. Можно выбирать между приватностью локального вывода и качеством облачных моделей в зависимости от задачи.

Ключевые возможности Sokuji

Локальный вывод на устройстве

Sokuji выполняет распознавание речи, перевод и синтез голоса полностью на вашем устройстве без подключения к интернету. Решает проблему конфиденциальности для тех, кто работает с чувствительной информацией или просто не хочет передавать голосовые данные третьим сторонам. Технология построена на WASM и WebGPU, что позволяет эффективно использовать процессор и встроенную графику без необходимости в дорогостоящем GPU.

В распоряжении пользователя 50 моделей автоматического распознавания речи (ASR): 32 автономные модели, 10 потоковых и 8 моделей для WebGPU. Среди них Whisper, Cohere Transcribe, Voxtral Mini 4B и другие, которые охватывают более 99 языков. Для перевода доступно 55+ языковых пар через Opus-MT и 5 многоязычных больших языковых моделей с поддержкой WebGPU: Qwen 2.5, Qwen 3, Qwen 3.5 и GemmaTranslate.

Синтез речи представлен 136 голосами на 53 языках через движки Piper, Piper-Plus, Coqui, Mimic3 и Matcha. Модели загружаются одним кликом и кэшируются в IndexedDB, что ускоряет последующие запуски. Это означает, что после первой загрузки вы можете работать полностью офлайн. Даже в самолете или в местах с плохим интернетом.

Интеграция с облачными провайдерами

Для тех, кому нужна максимальная точность, Sokuji предлагает прямую интеграцию с облачными API. Поддерживаются OpenAI, Google Gemini, Palabra.ai, Kizuna AI, Doubao AST 2.0 и любые сервисы, совместимые с OpenAI API. Можно использовать самые современные модели распознавания и перевода, когда локальные варианты не справляются.

Подключение к облачным сервисам решает проблему качества для профессиональных сценариев: медицинских консультаций, юридических переговоров, технических презентаций, где критична точность терминологии. Вы переключаетесь между локальным и облачным режимом в зависимости от ситуации: облако для важных встреч, локальный вывод для повседневного общения.

API-ключи хранятся только локально на вашем устройстве и никогда не передаются разработчикам Sokuji. Соединение идет напрямую к провайдеру без промежуточных серверов. Важно для тех, кто использует корпоративные API-ключи с ограничениями доступа.

На практике это выглядит так: вы настраиваете ключ OpenAI для распознавания речи, Google Gemini для перевода и локальный движок Piper для синтеза голоса. Такая гибридная схема дает баланс между качеством и приватностью.

Перевод вашего голоса в реальном времени

Sokuji позволяет говорить на родном языке, а собеседники слышат перевод так, будто вы говорите на их языке. Основная функция сервиса, которая решает проблему языкового барьера в живом общении. Вы говорите в микрофон, нейросеть распознает речь, переводит текст и синтезирует голос на целевом языке.

Функция особенно полезна для международных команд, которые проводят регулярные встречи на разных языках. Вместо того чтобы переключаться на английский как общий язык, каждый участник может говорить на родном, а Sokuji обеспечит взаимопонимание. Снижает когнитивную нагрузку и делает общение более естественным.

Виртуальный микрофон позволяет направить переведенный аудиопоток в Zoom, Google Meet, Microsoft Teams или любое другое приложение. Настройка простая: вы выбираете Sokuji Virtual Microphone в качестве источника звука в настройках видеоконференции, и участники слышат уже переведенную речь. Функция Real-time Passthrough дает возможность слышать собственный голос во время записи, что помогает контролировать темп и громкость.

Перевод чужой речи и субтитры

Расширение для браузера может захватывать аудио со встреч, а настольное приложение – любой системный звук. Получаете переведенные субтитры в реальном времени для речи других участников. Решает проблему понимания, когда вы слушаете презентацию или участвуете во встрече на иностранном языке.

На практике это работает так: вы запускаете расширение Sokuji в браузере во время Google Meet, и сервис захватывает аудио всех участников, распознает речь и показывает субтитры на вашем языке. В настольном приложении можно выбрать любой источник системного звука – например, аудио из Zoom или даже видео с YouTube.

Это особенно полезно для обучения: вы можете смотреть лекции на иностранном языке с субтитрами на родном, не полагаясь на встроенные субтитры платформы, которые часто работают с задержкой или ошибками. Также функция помогает людям с нарушениями слуха, предоставляя текстовую версию разговора в реальном времени.

Подавление шума и эхоподавление

Sokuji включает встроенное подавление шума на основе ИИ, которое удаляет фоновые звуки, стук клавиатуры и другие отвлекающие факторы. Решает проблему качества звука при работе из дома, коворкинга или шумных мест. Функция работает в реальном времени и не требует дополнительной настройки.

Эхоподавление реализовано через современный Web Audio API и автоматически устраняет эффект обратной связи, когда звук из динамиков попадает в микрофон. Критично для видеоконференций, где эхо создает дискомфорт для всех участников.

На практике вы можете работать из кафе или дома с детьми, и собеседники услышат только вашу речь без посторонних звуков. Функция особенно полезна для тех, кто использует встроенные микрофоны ноутбуков, которые обычно захватывают много шума.

Подавление шума может иногда затрагивать и полезный сигнал, особенно если вы говорите очень тихо или с необычным акцентом. В таких случаях можно отключить функцию в настройках.

Интерфейс и локализация

Интерфейс Sokuji полностью локализован на 30 языков, что делает сервис доступным для пользователей по всему миру. Решает проблему языкового барьера не только в общении, но и в использовании самого инструмента. Локализация выполнена через библиотеку i18next и охватывает все элементы интерфейса.

Сервис предлагает два режима: Simple Mode для обычных пользователей с упрощенной настройкой и Advanced Mode для технических специалистов с отображением формы волны и детальными параметрами. Простой режим скрывает сложные настройки и предлагает пошаговый мастер, который помогает выбрать язык, модель и источник звука. Продвинутый режим дает доступ ко всем параметрам моделей, визуализации аудио и тонкой настройке качества.

На практике новый пользователь запускает Simple Mode, выбирает «Русский → Английский», нажимает «Начать» и сразу получает рабочий перевод. Опытный пользователь в Advanced Mode может выбрать конкретную модель Whisper, настроить порог активации голоса, включить визуализацию формы волны и экспериментировать с параметрами.

Интерфейс построен на React с TypeScript и использует Zustand для управления состоянием, что обеспечивает быструю работу даже при обработке больших объемов аудио.

Приватность и безопасность

Если вы выбираете локальный вывод, ваши аудиоданные никогда не покидают устройство. Решает проблему конфиденциальности для тех, кто работает с чувствительной информацией: медицинскими данными, коммерческой тайной, персональными разговорами. Sokuji не передает данные на промежуточные серверы и не хранит записи разговоров.

В облачном режиме соединение идет напрямую к API провайдера без посредников. API-ключи хранятся только локально в браузере или настольном приложении и никогда не отправляются разработчикам Sokuji. Сервис собирает анонимную аналитику использования через PostHog, но это не включает содержание разговоров или персональные данные.

Стоит отметить: вы можете использовать Sokuji для конфиденциальных переговоров, не беспокоясь о утечке информации. Для максимальной приватности выбирайте локальный режим и отключайте аналитику в настройках. Для лучшего качества используйте облачные API, но помните, что данные будут обрабатываться провайдером согласно его политике конфиденциальности.

Sokuji распространяется под лицензией AGPL-3.0, что означает открытый исходный код. Вы можете проверить код на GitHub и убедиться, что сервис действительно не передает данные без вашего согласия.

Платформы

Sokuji поддерживает такие платформы как:

Условия использования Sokuji

Sokuji – это бесплатный опенсорсный проект.