peteonrails/voxtype

Voxtype – Linux デスクトップ向けローカルでリアルタイムの音声からテキストへの変換

何であるか – Voxtype はオープンソースで MIT ライセンスのアプリケーションであり、Linux デスクトップ上のどこでもテキストを音声入力で入力できます。ホットキーを押す（またはトグルする）と音声をキャプチャし、ローカルで音声認識モデルを実行し、カーソル位置に結果のテキストを挿入します。主な目的は、クラウドサービスを一切使わずに、高速かつプライベートな音声入力です。

主な機能

• 高速な CPU 推論 – 現代の Zen 4 CPU でリアルタイムの 9〜11 倍速で動作する、Cohere Transcribe（約 1.5 GB に量子化）を使用。Whisper、Parakeet、Moonshine、SenseVoice、Paraformer、Dolphin、Omnilingual、OpenVINO Whisper などの他のエンジンもサポートされています。
• GPU/アクセラレータ対応 – オプションの Vulkan、CUDA、Metal、ROCm、Intel OpenVINO/NPU バックエンドにより、大規模モデルでは数桁の高速化が可能になります。
• 9 種類の交換可能なエンジン – 実行時に切り替え可能。アクティブなモデルのみがメモリを占有します。
• 多言語対応 – 多言語 ONNX エンジンにより最大 1,600 言語以上をカバー。Whisper は 99 言語をカバーします。
• ミーティングモード – スピーカーの識別付きで継続的な音声認識を実行し、Markdown、JSON、SRT、VTT 形式でエクスポート可能。また、ローカルの LLM（例：Ollama）を呼び出して会議の要約も可能です。
• ネイティブなデスクトップ統合 – Wayland コンポジター（Hyprland、Sway、River、GNOME、KDE）および X11 では evdev を経由。浮動型波形 OSD を提供し、MPRIS を介してメディアプレイヤーを自動一時停止し、必要に応じてクリップボードやシミュレート入力にフォールバックします。
• プライバシー最優先 – テレメトリは一切なし、クラウドバックエンドも必須ではありません。ユーザーが明示的にリモート Whisper サーバーを有効にしない限り、すべての処理はマシン上で行われます。
• カスタマイズ可能なホットキー – デフォルトは ScrollLock。変更可能で、トグルモードに設定したり、コンポジター経由でバインドできます。
• 組み込みのテキスト処理 – 音声による句読点、ユーザーごとの置換テーブル、任意の LLM やシェルスクリプトへのオプションのポストプロセスパイプをサポート。

導入方法

1. 事前ビルド済みパッケージ（AUR、.deb、.rpm、Homebrew）をインストールするか、Rust/Cargo でソースからビルドする。
2. Wayland 入力ヘルパー wtype をインストールする（または X11 のフォールバックとして dotool/ydotool を使用）。
3. voxtype setup --download を実行してデフォルトの Whisper モデルを取得する。
4. コンポジター設定で voxtype record start/stop（または toggle）のキー割り当てを追加する。
5. voxtype を起動。ホットキーを押して話す。解放すると、カーソル位置に変換されたテキストが表示されます。

一般的なコマンド

• voxtype record start / voxtype record stop – キーバインディングから録音を制御。
• voxtype meeting start --title "Team sync" – 継続的な音声認識を開始。
• voxtype meeting export latest --format markdown – 会議の内容を保存。
• voxtype --engine sensevoice --model large-v3 – 実行時にエンジン/モデルを上書き。
• voxtype setup gpu --enable – Vulkan GPU 加速を有効化。

設定 – すべての設定は ~/.config/voxtype/config.toml に保存されています。このファイルでは、

• ホットキー、モード（押しっぱなし vs. トグル）、オーディオデバイスの選択が可能。
• 音声認識エンジンとモデルの選択、言語/翻訳オプションの設定、CPU スレッド数の制限。
• 出力動作（入力、クリップボード、ペースト）と通知の設定。
• 音声による句読点、カスタム単語置換、または外部のポストプロセスコマンド（例：ollama run llama3.2 …）の有効化が可能。

インストールに関する注意点

• 依存関係 – Rust ツールチェーン、ALSA 開発ヘッダー、clang、cmake、pkg-config、Wayland 入力ツール wtype。GPU バックエンドには適切なランタイム（Vulkan ローダ、CUDA ツールキット、Metal、ROCm、OpenVINO）が必要です。
• パッケージ – AUR（voxtype、voxtype-bin、voxtype-bin-rc）、Debian/Ubuntu の .deb、RPM、macOS 用 Homebrew（Metal バックエンド経由）。
• 再現可能なビルド – リリースバイナリは Docker パイプラインで署名され、再現可能に生成されています。

なぜ重要なのか Voxtype は、これまでクラウドサービスや重量級 GUI ツールに頼っていた Linux ユーザーに、音声入力の利便性をもたらします。複数のデバイス内モデルとオプションの GPU 加速を提供することで、速度、精度、リソース使用量のバランスを取ることができ、すべての発話がプライベートであることを保証します。

ライセンス – MIT（ソースコードは自由に変更・再配布可能）。