peteonrails/voxtype

解決的問題

Voxtype 是一款適用於 Linux 的本地語音轉文字工具，允許使用者直接在任何應用程式中於游標位置進行語音輸入。它無需依賴雲端語音辨識服務，為系統級語音輸入提供一種私密且低延遲的替代方案。

工作原理

該工具以背景守護程序的形式運行，監聽已設定的快速鍵（按住說話或切換模式）。當按下快速鍵時，它會錄製音訊，並在釋放後使用多個本地 AI 引擎之一對音訊進行語音轉文字。隨後，它會模擬輸入，將文字插入到目前活躍的視窗中。它深度整合於 Linux 桌面環境，支援 Wayland 和 X11，並可透過 MPRIS 自動暫停媒體播放器。

適用對象

希望獲得快速、私密且高度可自訂的語音轉文字體驗，又不依賴雲端訂閱或遙測資料的 Linux 使用者。

主要亮點

• 多 AI 引擎支援：支援 Whisper、Parakeet、Moonshine、SenseVoice、Paraformer、Dolphin 和 Omnilingual，涵蓋超過 1600 種語言。
• 高效率：針對 CPU 和 GPU（Vulkan、CUDA、Metal、ROCm）加速進行優化，在現代 CPU 上可達最高 11 倍即時速度。
• 本地優先：無雲端服務、無訂閱、無遙測；音訊資料始終保留在本地裝置上。
• 高階文字處理：內建單字取代、語音標點轉換功能，並支援將轉錄結果透過外部 LLM 進行語法修正。
• 會議模式：支援帶說話人識別的連續轉錄，並可匯出為 Markdown、JSON、SRT 等格式。
• 原生 Linux 整合：深度支援多種合成器（Hyprland、Sway、GNOME、KDE），並提供浮動波形 OSD 以實現視覺反饋。