借助语音大模型，实现 Linux 下的语音输入，邀请 Linux 桌面用户试试

[ko20]

起因是昨天下午看到 IT 之家这个新闻：

识别、合成、实时交互全球第一，Qwen-Audio-3.0 系列语音模型上线阿里千问 AI 平台 https://www.ithome.com/0/990/679.htm

于是我搞了一套适用于大部分 linux 发行版和桌面环境的流程。平台送了 36000s （有效期 3 个月），到期后的话，我看了一下价格是每秒 0.00022 元

代码开源在 这里

截图如下，邀请用 linux 桌面的朋友们来试试。有用的话留个⭐呀。这套 flow 个人感觉在 linux 桌面环境很轻量，以后更换模型也很简单，稍微适配一下就可以了。

流式语音识别，边听边写边上屏的功能搞出来了🎉

因为 ibus/fcitx5 可能不太好搞定，我想了另一招：使用 python(PyGObject) + GTK 构建了一个遮罩层用于控制“吐字”，最终上屏还是通过 ydotool 等包来实现。

大家可以观看这个 video

代码我明天再 push 到仓库。

[ko20]

效果还是不错的，对于冒号，顿号、文字中夹杂着 APP 、10000 这种字母和数字，识别都还 OK

[enpitsulin]

回去试试好不好使

[ko20]

@enpitsulin #2 谢谢欢迎反馈

[ktyang]

唉 可惜你搞出来的有点晚了 已经用别的产品了

[ko20]

@ktyang #4 也可以再用用这个，哈哈

[ca2oh4]

记得有个豆包输入法 linux 版本的

[ko20]

@ca2oh4 #6

查了一下是这样的

> GitHub 上有第三方开源项目（ doubao‑murmur 、doubao‑voice‑input‑electron ），不是字节官方产品，只是调用豆包开放接口做的全局语音听写工具，只做语音转文字，没有拼音/双拼键盘输入能力，只能语音输入，不能当完整中文输入法使用

[zjvbqla]

@ko20 起码要做到边说边显示啊！

[ko20]

@zjvbqla #8 这个更换模型就行，支持 stream 那个

[ko20]

@zjvbqla #8 看了一下还需要改造传输和上屏逻辑，很好的想法。我准备改造看看

[ko20]

@zjvbqla #8

在 linux 下的光标处实现一个字一个字的蹦出来还能退格（比如删除一个逗号）再继续逐字输出还是太困难了。微信各端能做到可能是 IME 直接持有"预编辑区/组合区"（ composing region ），可以随时显示文字、增删某个字/逗号、最终一次性"提交"。这大概是它在应用里"流式、可回改、标点合理"的根本原因。

什么时候 wechat for linux 支持了再来研究……

[EvineDeng]

已经在用 https://github.com/xifan2333/fcitx5-vinput 了，本地模型/在线大模型 均可。

[ko20]

@EvineDeng #12 这个我也安装了，但是之前配置的模型识别效果不太好后来没怎么用了 -_-

[ko20]

@zjvbqla #8 实现了，可以看看最新附言，以及那个 video

@EvineDeng #12 朋友可以看看我的最新实现，支持了流式语音识别和上屏，更好用了。

[ko20]

v1.0.1 版本已推送 https://github.com/hellodk34/voice_input_linux

还写了麦克风底噪监测脚本，比如如下输出

==================================================
麦克风底噪检测（推荐 vad_threshold 等配置）
==================================================

开始前请先完成：
1. 打开「系统设置 → 声音 → 输入」，选择你要用的麦克风，
并设为默认输入设备；
2. 对着它正常说话，观察电平条是否跳动，确认能正常收音。

本脚本只检测当前「系统默认」输入设备。
==================================================
设置好了？按回车开始检测（ Ctrl+C 取消）

== 检测麦克风 ==
已检测到麦克风设备。

== 测量底噪 ==
接下来录制 3 秒，请保持安静（不要说话、不要敲键盘）。
样本数 48022 （约 3.0 秒）
底噪 RMS : 0.01163 （-38.7 dBFS ）
底噪 95 分位 : 0.00589 （-44.6 dBFS ）

底噪等级：低（麦克风比较安静干净，日常使用很舒服）
推荐配置（写入 ~/.config/qwen-voice-input/config.ini 的 [general] 段）：
vad_threshold = 0.03
batch_silence_timeout = 2.0

说明：以上仅根据底噪自动估算，实际以说话测试为准——
说完仍不结束就把 vad_threshold 调大；小声识别不到就调小。

[devcxlcn]

同类项目已经泛滥了
https://github.com/devcxl/fcitx5-voice-input

[ko20]

@devcxlcn #16 但是这个不能边听边写边上屏。

[ByteCat]

不建议用作输入法，我自己也搓了一个还是挺满意的 https://github.com/imbytecat/voicepaste

[devcxlcn]

@ko20 

[ko20]

@devcxlcn #19 和我理解的“边听边写边上屏”还是不太一样，你看我这个视频 https://seafile.940304.xyz/f/e0a4b2cc0f324689ac5d/

[ko20]

@ByteCat #18 就是个语音输入工具的定位的…… 上屏了可能还需要正经输入法修改措辞。