peteonrails/voxtype

Voxtype – Linux 上的本地、实时语音转文本工具

是什么 – Voxtype 是一款开源、采用 MIT 许可的应用程序，允许你在 Linux 桌面上的任何地方进行文本听写。当你按住（或切换）热键时，它会捕获音频，在本地运行语音转文本模型，并将生成的文本注入到光标位置。其核心目标是在不使用任何云服务的情况下，实现快速、私密的听写。

核心能力

• 快速 CPU 推理 – 使用 Cohere Transcribe（量化后约为 1.5 GB）模型，在现代 Zen 4 CPU 上运行速度比实时快 9-11 倍。同时支持其他引擎（Whisper, Parakeet, Moonshine, SenseVoice, Paraformer, Dolphin, Omnilingual, OpenVINO Whisper）。
• GPU/加速器支持 – 可选的 Vulkan, CUDA, Metal, ROCm 和 Intel OpenVINO/NPU 后端，可为大型模型提供数量级的加速。
• 九种可互换的引擎 – 运行时切换；只有当前激活的模型会占用内存。
• 多语言覆盖 – 通过多语言 ONNX 引擎支持多达 1,600 多种语言；Whisper 支持 99 种语言。
• 会议模式 – 持续转录并带有发言人识别，并可导出为 Markdown, JSON, SRT 或 VTT。还可以调用本地 LLM（例如 Ollama）来总结会议内容。
• 原生桌面集成 – 支持 Wayland 合成器（Hyprland, Sway, River, GNOME, KDE）和通过 evdev 支持的 X11。提供浮动波形 OSD，通过 MPRIS 自动暂停媒体播放器，并通过 evdev 提供模拟输入。在需要时可回退到剪贴板或模拟打字。
• 隐私第一 – 无遥测，无需云端后端。除非你显式启用远程 Whisper 服务器，否则所有处理过程都保留在本地机器上。
• 可配置热键 – 默认是 ScrollLock；可以更改、设置为切换模式，或通过合成器进行绑定。
• 内置文本处理 – 支持语音标点符号、用户自定义替换表，以及可选的指向任何 LLM 或 shell 脚本的后处理管道。

如何开始使用

1. 安装预构建包（AUR, .deb, .rpm, Homebrew）或使用 Rust/Cargo 从源码构建。
2. 安装 Wayland 打字辅助工具 wtype（或 X11 的回退方案 dotool/ydotool）。
3. 运行 voxtype setup --download 以获取默认的 Whisper 模型。
4. 在你的合成器配置中为 voxtype record start/stop（或 toggle）添加按键绑定。
5. 启动 voxtype；按住热键，说话，松开 – 转录的文本就会出现在你的光标处。

典型命令

• voxtype record start / voxtype record stop – 通过按键绑定控制录音。
• voxtype meeting start --title "Team sync" – 开始持续转录。
• voxtype meeting export latest --format markdown – 保存会议记录。
• voxtype --engine sensevoice --model large-v3 – 运行时动态覆盖引擎/模型。
• voxtype setup gpu --enable – 启用 Vulkan GPU 加速。

配置 – 所有设置都保存在 ~/.config/voxtype/config.toml 中。该文件允许你：

• 选择热键、模式（按住 vs. 切换）和音频设备。
• 选择转录引擎和模型，设置语言/翻译选项，并限制 CPU 线程数。
• 定义输出行为（打字、剪贴板、粘贴）；并设置通知偏好。
• 启用语音标点符号、自定义词汇替换，或调用外部后处理命令（例如 ollama run llama3.2 …）。

安装注意事项

• 依赖项 – Rust 工具链、ALSA 开发头文件、clang, cmake, pkg-config, 以及 Wayland 打字工具 wtype。GPU 后端需要相应的运行时环境（Vulkan loader, CUDA toolkit, Metal, ROCm, 或 OpenVINO）。
• 软件包 – AUR (voxtype, voxtype-bin, voxtype-bin-rc), Debian/Ubuntu .deb, RPM, 和 macOS 的 Homebrew (通过 Metal 后端)。
• 可重复构建 – 发布版二进制文件经过签名，并在 Docker 管道中生成。

为什么它很重要 Voxtype 为此前依赖云端服务或笨重 GUI 工具的 Linux 用户带来了听写功能的便利。通过提供多种设备端模型和可选的 GPU 加速，它让你在平衡速度、准确度与资源占用时，能够保持每一句话的私密性。

许可证 – MIT (源代码可自由修改和重新分发)。