furk4ngg/capture-ai
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
Files
277bab5d2e20552fb786ada79ec39627a63cee12
capture-ai/README.md
T
FURK4NGG 277bab5d2e Update README.md
2026-05-14 01:18:35 +03:00

23 KiB
Raw Blame History

👀 capture-ai Overview

License

Capture AI is not just a simple chat application.

It is a hybrid AI platform that combines:

💬 Conversational AI
📄 Document processing & editing
⚙️ Intelligent pipelines

All in a single system.

Unlike traditional chat tools, Capture AI can understand, transform, and generate real files — not just text.

From a single prompt, it can:

PDF → Extract → Transform → Rebuild → Download

It supports both online models (OpenRouter) and local AI providers, giving full control over performance, privacy, and behavior.

❌ Not just a chat app
✅ A hybrid AI platform (chat + document editor + pipeline engine)

Demo Video

🚀 Features

  • Compatible with Linux(Arch,Debian/Ubuntu) devices
  • Model management per chat
  • Per-chat conversational RAG system with enable/disable support(short-term memory + summary memory + embedding-based retrieval + code-aware context)
  • Run local AI providers (Ollama, LM Studio, vLLM, etc.)
  • Shows how many tokens are consumed for each message
  • AI can read, analyze, modify your documents (within permission)
  • AI-generated files are automatically created, saved, and shown with download buttons
  • Supports PDF, DOCX, XLSX, TXT, and MD (read & generate)
  • Editable file permission system (safe file editing control)
  • Unlimited reference tree support
  • Image generation and image-based workflows
  • Regenerate
  • Modular prompt system (Prompt Chooser)
  • Allows both online and local AI models to access current web search results using Tavily while keeping searches permission-based for privacy and user control
  • Enter input with your voice -Speech to text(online or local)-
  • Copyable code blocks
  • Control via Terminal (excluding STT and some UI features)
  • Customize how the AI responds
  • Real-time independent multi-chat requests and streaming
  • Adding documents via drag & drop
  • Lazy Loading, Chat Loading System (Loads latest messages first,older messages load on scroll)
  • Change UI colors
  • Dark/Light themes
  • Keep all your chats in your machine
  • Just one configure file
  • Streaming response system (real-time output)
  • Easy access with keyboard shortcuts
  • Language support [Turkish, English]You can easily create your own language file
  • Caching the language file to avoid repeated file reads
  • Compatible with macOS, Windows

📦 Setup

  1. Go to theOpen Routerand create your own api key
  2. Go to theTavilyand create your own api key
? OpenRouter: Provides access to online AI models through a single API.*Some models may require paid usage depending on the provider.*

Tavily: Provides web search results and current online information for AI models.*The free plan includes up to 1000 searches per month in basic search mode.*
3. Make sure you place your files in the following directories. ~/capture-ai/ui.py
~/capture-ai/ai.py
~/capture-ai/cli.py
~/capture-ai/capture-ai.sh
~/capture-ai/memory.py
~/capture-ai/language/en.json
~/capture-ai/language/tr.json
~/.config/capture-ai/config.json
~/.config/capture-ai/requirements.txt
~/.config/scripts/screenprint.sh
4. Download Packages
Arch Packages 
cd ~/.config/capture-ai/

🧩 Core System & Python

sudo pacman -S --needed python python-virtualenv git

Environment

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt



🖥️ GTK4 UI Dependencies

sudo pacman -S --needed gtk4 libadwaita python-gobject gobject-introspection



🎨 Rendering & Graphics

sudo pacman -S --needed cairo pango gdk-pixbuf2



🌐 Network & Runtime

sudo pacman -S --needed wget



📄 File Processing (DOCX / XLSX / PDF)

sudo pacman -S --needed poppler libreoffice ttf-dejavu



🎧 Audio / Voice

🎙️ voice record -> 📄 WAV file -> 🧠 whisper-cli -> ✍ Text input

🎙️ Offline Voice Input,voice record (Speech → Text)

sudo pacman -S --needed pipewire wireplumber pipewire-audio pipewire-pulse libpulse alsa-utils



📄 Build Offline Speech to Text

sudo pacman -S --needed cmake make gcc

Packages Check

command -v pw-record || echo "pw-record not found"  
command -v arecord  || echo "arecord not found"



🧠 Install whisper.cpp (Offline Speech Recognition Engine)

git clone https://github.com/ggml-org/whisper.cpp.git ~/whisper.cpp
cd whisper.cpp  
cmake -B build  
cmake --build build -j --config Release

ls build/bin
#Should see these -> ... whisper-cli, main, whisper-server, ...



Download 'Tiny' Model

mkdir -p ~/.local/share/whisper  
wget -O ~/.local/share/whisper/ggml-tiny.bin https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-tiny.bin

Packages Check

ls -l ~/whisper.cpp/build/bin/whisper-cli  
ls -lh ~/.local/share/whisper/ggml-tiny.bin

Manual Test

~/whisper.cpp/build/bin/whisper-cli \
  -m ~/.local/share/whisper/ggml-tiny.bin \
  -f /tmp/capture-ai-mic-20260228-205753.wav \
  -l tr



📸 Screenshot

sudo pacman -S --needed grim slurp mako libnotify



🧰 System Utilities

sudo pacman -S --needed glib2 xdg-utils noto-fonts-emoji
Debian/Ubuntu/Raspberry Pi OS 
cd ~/.config/capture-ai/

🧩 Core System & Python

sudo apt update
sudo apt install -y python3 python3-venv git

Environment

python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt



🖥️ GTK4 UI Dependencies

sudo apt install -y python3-gi gobject-introspection gir1.2-gtk-4.0 gir1.2-adw-1 libgtk-4-1 libadwaita-1-0



🎨 Rendering & Graphics

sudo apt install -y libcairo2 libpango-1.0-0 gir1.2-pango-1.0 gir1.2-gdkpixbuf-2.0



🌐 Network & Runtime

sudo apt install -y wget



📄 File Processing (DOCX / XLSX / PDF)

sudo apt install -y poppler-utils libreoffice fonts-dejavu



🎧 Audio / Voice

🎙️ voice record -> 📄 WAV file -> 🧠 whisper-cli -> ✍ Text input

🎙️ Offline Voice Input,voice record (Speech → Text)

sudo apt install -y pipewire wireplumber pipewire-pulse libpipewire-0.3-0 libspa-0.2-modules alsa-utils pulseaudio-utils libpulse0



📄 Build Offline Speech to Text

sudo apt install -y cmake make gcc

Packages Check

command -v pw-record || echo "pw-record not found"
command -v arecord || echo "arecord not found"



🧠 Install whisper.cpp (Offline Speech Recognition Engine)

git clone https://github.com/ggml-org/whisper.cpp.git ~/whisper.cpp
cd ~/whisper.cpp
cmake -B build
cmake --build build -j --config Release

ls build/bin
#Should see these -> ... whisper-cli, main, whisper-server, ...



Download 'Tiny' Model

mkdir -p ~/.local/share/whisper
wget -O ~/.local/share/whisper/ggml-tiny.bin https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-tiny.bin

Packages Check

ls -l ~/whisper.cpp/build/bin/whisper-cli
ls -lh ~/.local/share/whisper/ggml-tiny.bin

Manual Test

~/whisper.cpp/build/bin/whisper-cli \
  -m ~/.local/share/whisper/ggml-tiny.bin \
  -f /tmp/capture-ai-mic-20260228-205753.wav \
  -l tr



📸 Screenshot

sudo apt install -y grim slurp scrot dunst libnotify-bin



🧰 System Utilities

sudo apt install -y xdg-utils fonts-noto-color-emoji

🎉 Run

bash capture-ai.sh (image,text,cli)

------------------HYPRLAND.CONF------------------

$capture-ai = /home/$USER/capture-ai/capture-ai.sh

bind = $mainMod SHIFT, Q, exec, $capture-ai image
bind = $mainMod, Q, exec, $capture-ai text



🔎 ALL APP FEATURES

For Nerds

  1. Chat management
    Create, switch, delete, rename, pin/unpin chats. Chats are sorted with pinned chats first, then by last modified time.

  2. Local chat storage
    All chats are stored locally on the machine under the app cache directory.

  3. Section-based chat loading
    Chats use lazy loading. Only the latest 10 messages are loaded first, and older messages load while scrolling up.

  4. Persistent configuration
    Uses one config.json file for settings such as theme, models, pinned chats, last chat, STT, RAG, colors, local providers, and language.

  5. Per-chat model management
    Each chat can have its own active AI model. Recently selected models move to the top of the list.

  6. Online and local model support
    Supports OpenRouter models and local API-based text models such as Ollama.

  7. Local provider settings
    Local providers can store base URL, startup command, stop command, system prompt, and model parameters.

  8. Sidebar UI
    Collapsible sidebar with separate Chats and AI Models sections.

  9. Context mode switch
    Each chat can switch between Direct mode and RAG mode.

  10. Per-chat conversational RAG
    Supports short-term memory, summary memory, simple retrieval, and code-aware context.

  11. Reference tree support
    Selected references can expand recursively so previous context is not lost.

  12. Message selection mode
    Users can select one or multiple messages, clear selection, copy, regenerate, or use them as references.

  13. Regenerate
    Regenerates from selected user or assistant messages while keeping reference context.

  14. Copyable code blocks
    Copy-marked content is rendered as a code-style block with a copy button.

  15. Image generation and image handling
    Supports image generation, image previews, cached generated images, and image attachments.

  16. Document support
    Supports PDF, DOCX, XLSX, TXT, and MD file creation/output. Generated files are shown with downloadable buttons.

  17. PDF handling
    If a PDF contains text, it is sent as text content. If it has little/no text, the first pages are converted to PNG images and sent as image_url.

  18. Document editing behavior
    AI can read, analyze, summarize, rewrite, and generate edited document outputs when permission is enabled.

  19. File create protocol
    DOCX, XLSX, PDF, TXT, and MD outputs can be generated from AI responses and returned as downloadable files.

  20. XLSX support
    Can create new XLSX tables and filter existing XLSX files with supported operations.

  21. Drag & drop attachments
    Files and images can be added via drag & drop or file picker.

  22. Editable file permission
    Attached files can be toggled editable. The AI only modifies files when permission is enabled.

  23. Voice-to-text input
    Supports microphone recording and transcription with online or local STT.

  24. Offline STT
    Uses whisper.cpp with configured binary and model paths.

  25. Online STT
    Uses OpenRouter audio-capable models and sends WAV audio as input_audio.

  26. Token usage display
    Shows input, output, and total token usage for each response when enabled.

  27. Token price display
    Can estimate message cost using a configurable token price value.

  28. Theme system
    Supports dark/light theme and custom UI colors.

  29. Language system
    Supports external language files such as Turkish and English, with cached language loading.

  30. Prompt chooser
    Prompt behavior blocks can be enabled/disabled, such as copyable, apply, PDF visual edit, file creation, structured output, and code mode.

  31. Terminal control
    The project also supports terminal usage, excluding STT and some GUI-only features.

  32. Linux compatibility
    Designed for Linux devices, including Arch and Debian/Ubuntu-based systems.

  33. Streaming response system
    AI responses are streamed in real-time. The assistant message appears gradually as it is being generated instead of waiting for the full response.

  34. Advanced PDF processing pipeline
    pdf_text → extract text from the PDF → AI generates DOCX → app converts DOCX back to PDF

    pdf_image → if PDF Image mode is selected, convert PDF pages to PNG → AI analyzes the image or returns a PNG
    → if a PNG is returned, the app converts it into a PDF

    pdf_image + mixed/image block → extract image blocks from the PDF → AI returns edited PNG
    → app places the new image back into the original PDF at the same position

    pdf_text_image → extract layout as JSON + extract images as PNG
    → AI returns text_replacements JSON (and optionally images)
    → app rebuilds the PDF using the original layout with updated text and images

  35. Generated files system
    AI can return generated files (PDF, DOCX, XLSX, etc.), which are automatically saved in the app cache and displayed in chat with download buttons.

  36. Structured file generation protocol
    AI responses can include structured file_create blocks, allowing the app to generate real files programmatically without manual parsing.

  37. Editable file safety system
    Files can be marked as editable or read-only. AI is strictly prevented from modifying files unless explicit permission is enabled.

  38. Smart PDF type detection
    Automatically detects whether a PDF is text-based, image-based, or mixed, and applies the appropriate processing pipeline.

  39. Mixed PDF layout reconstruction
    For PDFs containing both text and images, the app extracts layout structure and rebuilds the document after AI modifications.

  40. Image-to-PDF auto conversion
    If the AI returns image outputs (e.g., PNG), the app automatically converts them into PDF format when needed.

  41. Generated image caching
    All generated images are cached locally and can be reused without re-generation.

  42. AI-returned file handling
    Supports file outputs returned as base64 or URLs and converts them into downloadable files automatically.

  43. Modular prompt system
    System prompts are divided into selectable blocks, allowing dynamic control over AI behavior without modifying core logic.

  44. Local provider startup automation
    Local AI providers can be automatically started or stopped using configured commands.

  45. Chat-aware context building
    The system intelligently builds context using recent messages, summaries, code context, and relevant memory chunks.

  46. Real-time independent multi-chat streaming
    Multiple chats can send AI requests simultaneously. Each chat processes, streams, and updates responses independently in real time.

  47. Integrated web search
    Supports AI-powered web search and current online information retrieval using Tavily.
    User -> AI -> if required(User Permission) -> Tavily -> AI -> User

Bilgi Hastaları için

  1. Chat yönetimi
    Chat oluşturma, değiştirme, silme, yeniden adlandırma, sabitleme/sabitten çıkarma. Chatler önce sabitlenenler, sonra son değiştirilme zamanına göre sıralanır.

  2. Yerel chat saklama
    Tüm chatler uygulamanın cache klasörü altında yerel olarak saklanır.

  3. Bölümlü chat yükleme
    Chatler lazy loading kullanır. İlk olarak sadece son 10 mesaj yüklenir, yukarı kaydırıldıkça eski mesajlar yüklenir.

  4. Kalıcı yapılandırma
    Tema, modeller, sabit chatler, son chat, STT, RAG, renkler, local provider’lar ve dil ayarları tek bir config.json dosyasında tutulur.

  5. Chat başına model yönetimi
    Her chat kendi aktif AI modeline sahip olabilir. En son seçilen modeller listenin en üstüne alınır.

  6. Online ve local model desteği
    OpenRouter modelleri ve Ollama gibi local API tabanlı modeller desteklenir.

  7. Local provider ayarları
    Base URL, başlatma komutu, durdurma komutu, system prompt ve model parametreleri tanımlanabilir.

  8. Sidebar arayüzü
    Açılıp kapanabilen sidebar içinde ayrı Chat ve AI Model listeleri bulunur.

  9. Context modu geçişi
    Her chat Direct mode ve RAG mode arasında geçiş yapabilir.

  10. Chat başına RAG sistemi
    Kısa süreli hafıza, özet hafıza, basit retrieval ve kod farkındalıklı context desteği vardır.

  11. Reference tree desteği
    Seçilen referanslar recursive olarak genişletilir, böylece context kaybı yaşanmaz.

  12. Mesaj seçme modu
    Kullanıcı bir veya birden fazla mesaj seçebilir, temizleyebilir, kopyalayabilir, yeniden oluşturabilir veya referans olarak kullanabilir.

  13. Regenerate (yeniden oluşturma)
    Seçilen user veya bot mesajlarından yeniden üretim yapılır ve referans context korunur.

  14. Kopyalanabilir kod blokları
    Copy ile işaretlenen içerikler, kopyalama butonu olan kod blokları olarak gösterilir.

  15. Görsel üretimi ve yönetimi
    Görsel üretimi, önizleme, cache’lenmiş görseller ve image attachment desteği bulunur.

  16. Doküman desteği
    PDF, DOCX, XLSX, TXT ve MD dosyaları oluşturma ve çıktı alma desteklenir. Üretilen dosyalar indirilebilir olarak sunulur.

  17. PDF işleme
    PDF metin içeriyorsa text olarak gönderilir. Metin yoksa ilk sayfalar PNG’ye çevrilerek image_url olarak gönderilir.

  18. Doküman düzenleme davranışı
    AI, izin verildiğinde dosyaları okuyabilir, analiz edebilir, özetleyebilir, yeniden yazabilir ve düzenlenmiş çıktı oluşturabilir.

  19. Dosya oluşturma protokolü
    DOCX, XLSX, PDF, TXT ve MD dosyaları AI çıktısından oluşturulabilir ve indirilebilir olarak sunulur.

  20. XLSX desteği
    Yeni tablolar oluşturabilir ve mevcut XLSX dosyaları filtreleyebilir.

  21. Drag & drop dosya ekleme
    Dosyalar ve görseller sürükle-bırak veya dosya seçici ile eklenebilir.

  22. Düzenlenebilir dosya izni
    Eklenen dosyalar editable olarak işaretlenebilir. AI sadece izin verildiğinde değişiklik yapar.

  23. Voice-to-text girişi
    Mikrofon ile kayıt ve online/local STT ile metne çevirme desteklenir.

  24. Offline STT
    whisper.cpp kullanarak yerel ses tanıma yapılır.

  25. Online STT
    OpenRouter üzerinden ses modeli kullanılarak WAV verisi input_audio olarak gönderilir.

  26. Token kullanım gösterimi
    Her mesaj için input, output ve toplam token kullanımı gösterilebilir.

  27. Token maliyet hesaplama
    Mesaj maliyeti, ayarlanabilir token fiyatına göre tahmin edilebilir.

  28. Tema sistemi
    Dark/light tema ve özelleştirilebilir UI renkleri desteklenir.

  29. Dil sistemi
    Türkçe ve İngilizce gibi dış dil dosyaları desteklenir ve cache’lenerek performans artırılır.

  30. Prompt chooser
    copyable, apply, PDF edit, file create, structured output ve code gibi prompt blokları açılıp kapatılabilir.

  31. Terminal kontrolü
    STT ve bazı UI özellikleri hariç terminal üzerinden kullanım desteklenir.

  32. Linux uyumluluğu
    Arch ve Debian/Ubuntu dahil Linux sistemler için tasarlanmıştır.

  33. Streaming yanıt sistemi
    AI yanıtları gerçek zamanlı olarak akış halinde gösterilir. Asistan mesajı, tamamının oluşmasını beklemek yerine yazılırken kademeli olarak ekranda görünür.

  34. Gelişmiş PDF işleme pipeline’ı
    pdf_text → PDF’ten metin çıkarılır → AI DOCX üretir → uygulama DOCX’i tekrar PDF’e çevirir

    pdf_image → PDF Image modu seçiliyse sayfalar PNG’ye çevrilir → AI görseli analiz eder veya PNG döndürür → PNG dönerse uygulama bunu PDF’e çevirir

    pdf_image + mixed/image block → PDF’ten görsel bloklar çıkarılır → AI düzenlenmiş PNG döndürür → uygulama yeni görseli PDF içinde aynı konuma yerleştirir

    pdf_text_image → layout JSON olarak çıkarılır + görseller PNG olarak alınır → AI text_replacements JSON (ve opsiyonel görseller) döndürür → uygulama orijinal layout’u kullanarak PDF’i yeniden oluşturur

  35. Üretilen dosya sistemi
    AI tarafından oluşturulan dosyalar (PDF, DOCX, XLSX vb.) otomatik olarak uygulama cache dizinine kaydedilir ve sohbet içinde indirme butonlarıyla gösterilir.

  36. Yapılandırılmış dosya üretim protokolü
    AI yanıtları, manuel parse gerektirmeden doğrudan dosya üretimini sağlayan yapılandırılmış file_create blokları içerebilir.

  37. Düzenlenebilir dosya güvenlik sistemi
    Dosyalar düzenlenebilir veya salt okunur olarak işaretlenebilir. Açık izin verilmeden AI’ın dosyaları değiştirmesi kesin olarak engellenir.

  38. Akıllı PDF türü tespiti
    PDF’in metin tabanlı, görsel tabanlı veya karışık olup olmadığı otomatik olarak tespit edilir ve uygun işleme pipeline’ı uygulanır.

  39. Karışık PDF layout yeniden oluşturma
    Hem metin hem görsel içeren PDF’lerde, layout yapısı çıkarılır ve AI düzenlemelerinden sonra belge yeniden oluşturulur.

  40. Görselden PDF’e otomatik dönüşüm
    AI görsel (örneğin PNG) çıktısı verdiğinde, uygulama bunu otomatik olarak PDF formatına dönüştürür.

  41. Üretilen görsel cache sistemi
    Oluşturulan tüm görseller yerel olarak cache’lenir ve tekrar üretmeye gerek kalmadan yeniden kullanılabilir.

  42. AI tarafından dönen dosya işleme sistemi
    Base64 veya URL olarak dönen dosyalar desteklenir ve otomatik olarak indirilebilir dosyalara dönüştürülür.

  43. Modüler prompt sistemi
    Sistem prompt’ları bloklara ayrılmıştır ve dinamik olarak açılıp kapatılarak AI davranışı kontrol edilebilir.

  44. Local provider başlatma otomasyonu
    Yerel AI sağlayıcıları, tanımlı komutlar ile otomatik olarak başlatılabilir veya durdurulabilir.

  45. Sohbet farkındalıklı context oluşturma
    Sistem; son mesajlar, özetler, kod context’i ve ilgili hafıza parçalarını kullanarak akıllı bir context oluşturur.

  46. Gerçek zamanlı bağımsız çoklu sohbet akışı
    Birden fazla sohbet aynı anda AI isteği gönderebilir. Her sohbet, diğer sohbetleri engellemeden gerçek zamanlı olarak bağımsız şekilde işlenir, yayınlanır ve güncellenir.

  47. Entegre web arama
    Tavily kullanarak AI destekli web araması ve güncel çevrimiçi bilgi erişimi sağlar.
    Kullanıcı -> AI -> eğer gerekliyse(Kullanıcı İzni) -> Tavily -> AI -> Kullanıcı

🔒 License

📜 GPL-3.0 License

Reference in New Issue View Git Blame Copy Permalink