peteonrails/voxtype

解决的问题

Voxtype 是一款适用于 Linux 的本地语音转文本工具，允许用户在任何应用程序的光标位置直接进行语音输入。它无需依赖云端语音识别服务，为系统级语音输入提供了一种私密且低延迟的替代方案。

工作原理

该工具以后台守护进程的形式运行，监听已配置的快捷键（按住说话或切换模式）。当按下快捷键时，它会录制音频，并在释放后使用多个本地 AI 引擎之一对音频进行语音转文本。随后，它会模拟输入，将文本插入到当前活动窗口中。它深度集成于 Linux 桌面环境，支持 Wayland 和 X11，并可通过 MPRIS 自动暂停媒体播放器。

适用人群

希望获得快速、私密且高度可定制的语音转文本体验，又不依赖云订阅或遥测数据的 Linux 用户。

主要亮点

• 多 AI 引擎支持：支持 Whisper、Parakeet、Moonshine、SenseVoice、Paraformer、Dolphin 和 Omnilingual，覆盖超过 1600 种语言。
• 高性能：针对 CPU 和 GPU（Vulkan、CUDA、Metal、ROCm）加速进行了优化，在现代 CPU 上可实现高达 11 倍实时速度。
• 本地优先：无云服务、无订阅、无遥测；音频数据始终保留在本地设备上。
• 高级文本处理：内置单词替换、语音标点转换功能，并支持将转录结果通过外部 LLM 进行语法修正。
• 会议模式：支持带说话人标识的连续转录，并可导出为 Markdown、JSON、SRT 等格式。
• 原生 Linux 集成：深度支持多种合成器（Hyprland、Sway、GNOME、KDE），并提供浮动波形 OSD 以实现视觉反馈。