Linux 语音输入系统

[DEPRECATED] 目前此系统已废弃, 现在使用VocoType-ibus 获得最佳效果!

一个简单易用的 Linux 语音转文字输入工具，支持一键录音、自动识别、直接输入。

注意: 如果你用的是no-CUDA笔记本的话, 请使用CPU-version分支

✨ 特性

• 🎙️ 一键切换: 运行一次开始录音，再次运行停止录音并识别
• 🚀 自动输入: 识别结果直接输入到当前焦点位置
• ⏱️ 智能提醒: 录音时长提醒和自动停止
• 🔧 错误处理: 完善的错误处理和资源清理
• 🌍 多系统支持: 支持 Debian/Ubuntu、Arch、Fedora 等主流发行版
• 📱 桌面集成: 自动创建桌面快捷方式
• ⚙️ 灵活配置: 支持自定义模型、语言、超时等参数

🚀 快速安装

自动安装（推荐）

# 克隆仓库
git clone https://github.com/yourusername/linux-speech2text.git
cd linux-speech2text

# 运行安装脚本（支持交互式配置）
chmod +x install.sh
./install.sh

# 或者使用交互式配置模式
./install.sh --interactive

手动安装

1. 安装系统依赖

Debian/Ubuntu:

sudo apt update
sudo apt install ffmpeg socat libnotify-bin xclip pulseaudio-utils

Arch Linux:

sudo pacman -S ffmpeg socat libnotify xclip pulseaudio

Fedora:

sudo dnf install ffmpeg socat libnotify xclip pulseaudio-utils

2. 安装 Python 依赖

pip3 install --user openai-whisper

3. 安装脚本

# 复制脚本到用户目录
cp voice-toggle.sh ~/.local/bin/voice-toggle
chmod +x ~/.local/bin/voice-toggle

# 确保 ~/.local/bin 在 PATH 中
echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

⚙️ 配置参数

在安装前，您可以根据需要调整以下配置参数。修改 voice-toggle.sh 脚本开头的配置区域：

核心配置参数

# ==================== 配置区域 ====================
readonly MAX_DURATION=60        # 最大录音时长（秒）
readonly REMINDER_TIME=50       # 提醒时间（秒）
readonly SAMPLE_RATE=16000      # 音频采样率
readonly WHISPER_MODEL="small"  # Whisper 模型大小
readonly WHISPER_LANGUAGE="Chinese"  # 识别语言

# 提示音文件路径
readonly START_DING_PATHS=(
    "/usr/share/sounds/freedesktop/stereo/message-new-instant.oga"
    "$HOME/.local/share/sounds/start.wav"
)

readonly END_DING_PATHS=(
    "/usr/share/sounds/freedesktop/stereo/complete.oga"
    "$HOME/.local/share/sounds/end.wav"
)

参数说明

🤖 Whisper 模型选择 (WHISPER_MODEL)

• tiny: 最快，准确率较低，约 39MB
• base: 平衡选择，约 74MB
• small: 推荐选择，约 244MB
• medium: 高准确率，约 769MB
• large: 最高准确率，约 1550MB, 推荐使用large-v3-Turbo这个和large(也就是默认的large-v3)的准确率几乎一样,但是推理时间只需要一半

🌍 语言设置 (WHISPER_LANGUAGE)

• Chinese: 中文识别
• English: 英文识别
• auto: 自动检测语言
• 其他支持的语言：Japanese, Korean, French, German, Spanish 等

⏱️ 时间设置

• MAX_DURATION: 最大录音时长（建议 30-120 秒）
• REMINDER_TIME: 提醒时间，应小于 MAX_DURATION

🔊 音频设置

• SAMPLE_RATE: 音频采样率（16000 适合语音识别）
• START_DING_PATHS: 开始录音提示音文件路径列表
• END_DING_PATHS: 结束录音提示音文件路径列表

💻 设备选择 (Whisper 内部)

Whisper 会自动检测并使用可用的计算设备：

• CPU: 兼容性最好，速度较慢
• CUDA: 需要 NVIDIA GPU 和 CUDA 支持，速度最快
• 安装 CUDA 版本的 PyTorch 可启用 GPU 加速

配置建议

低配置设备:

readonly WHISPER_MODEL="tiny"
readonly MAX_DURATION=30

高配置设备:

readonly WHISPER_MODEL="medium"
readonly MAX_DURATION=120

多语言环境:

readonly WHISPER_LANGUAGE="auto"

📖 使用方法

命令行使用

# 开始录音
voice-toggle

# 再次运行停止录音并识别
voice-toggle

快捷键绑定（推荐）

GNOME 桌面

# 设置 Super+V 快捷键
gsettings set org.gnome.settings-daemon.plugins.media-keys.custom-keybinding:/org/gnome/settings-daemon/plugins/media-keys/custom-keybindings/voice-input/ name '语音输入'
gsettings set org.gnome.settings-daemon.plugins.media-keys.custom-keybinding:/org/gnome/settings-daemon/plugins/media-keys/custom-keybindings/voice-input/ command 'voice-toggle'
gsettings set org.gnome.settings-daemon.plugins.media-keys.custom-keybinding:/org/gnome/settings-daemon/plugins/media-keys/custom-keybindings/voice-input/ binding '<Super>v'

KDE 桌面

1. 打开 系统设置 → 快捷键
2. 点击 自定义快捷键 → 新建 → 全局快捷键 → 命令/URL
3. 设置命令为: voice-toggle
4. 设置快捷键为: Meta+V

使用流程

1. 🎯 按快捷键: 开始录音（会有提示音）
2. 🗣️ 说话: 清晰地说出要输入的内容
3. 🎯 再按快捷键: 停止录音并开始识别
4. ✅ 自动输入: 识别结果会自动输入到当前焦点位置

🔧 故障排除

音频设备问题

检查音频设备

# 列出所有音频输入设备
pactl list short sources

# 查看默认音频设备
pactl info | grep "Default Source"

# 测试麦克风录音（录制 5 秒）
ffmpeg -f pulse -i default -t 5 test_recording.wav

# 播放测试录音
paplay test_recording.wav

音频设备故障排除

# 重启音频服务
systemctl --user restart pipewire pipewire-pulse
# 或者对于 PulseAudio
pulseaudio -k && pulseaudio --start

# 检查音频服务状态
systemctl --user status pipewire

常见问题

1. 录音失败

   • 检查麦克风权限
   • 确认 PulseAudio/PipeWire 正在运行: pactl info
   • 测试录音设备: ffmpeg -f pulse -i default -t 3 test.wav

2. 识别结果为空

   • 检查录音音量是否足够
   • 确认说话清晰度
   • 播放录音文件检查质量: paplay /tmp/voice_input/voice_input.wav

3. 无法输入文字

   • 确保安装了 xdotool 或 xclip
   • 检查目标应用是否有焦点

4. 首次使用很慢

   • Whisper 首次运行需要下载模型文件
   • 后续使用会很快

5. GPU 加速不工作

   • 安装 CUDA 版本的 PyTorch: pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   • 检查 CUDA 可用性: python -c "import torch; print(torch.cuda.is_available())"

日志查看

# 查看详细日志
tail -f /tmp/voice_input/voice_input.log

# 查看最近的错误
grep "ERROR" /tmp/voice_input/voice_input.log

📁 文件和目录结构

项目文件

linux-speech2text/
├── voice-toggle.sh              # 主脚本文件
├── install.sh                   # 自动安装脚本
├── model_benchmark.py           # 模型性能测试工具
├── test_voice_system.sh         # 系统测试脚本
├── setup_shortcuts.sh           # 快捷键设置脚本
├── README.md                    # 说明文档
└── LICENSE                      # 许可证

安装后的文件位置

脚本安装位置

• 主脚本: ~/.local/bin/voice-toggle
• 配置目录: ~/.config/voice-input/
• 提示音文件: ~/.local/share/sounds/
• 桌面快捷方式: ~/.local/share/applications/voice-input.desktop

运行时文件位置

• 临时目录: /tmp/voice_input/
• 录音文件: /tmp/voice_input/voice_input.wav
• 日志文件: /tmp/voice_input/voice_input.log
• 进程文件: /tmp/voice_input/recording.pid

Whisper 模型缓存位置

• 默认位置: ~/.cache/whisper/
• 模型文件: 根据选择的模型大小，文件大小从 39MB 到 1550MB 不等

🎯 性能优化

GPU 加速设置

# 安装 CUDA 版本的 PyTorch（如果有 NVIDIA GPU）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 验证 CUDA 可用性
python -c "import torch; print('CUDA available:', torch.cuda.is_available())"

模型性能测试 (这个似乎有点问题,建议直接用whisper命令测)

# 运行模型性能测试
python model_benchmark.py

# 测试特定模型
python model_benchmark.py --models tiny,base,small

优化建议

• 更快的模型: 可以尝试使用 faster-whisper 替代 openai-whisper
• 模型选择: 根据设备性能选择合适大小的模型
• 内存优化: 使用较小的模型可以减少内存占用
• 网络优化: 首次运行前预下载模型文件

🔍 测试和调试

系统测试

# 运行完整系统测试
./test_voice_system.sh

# 测试音频设备
./test_voice_system.sh --audio-only

手动测试录音

# 测试 5 秒录音
ffmpeg -f pulse -i default -t 5 -y test_manual.wav

# 播放录音检查质量
paplay test_manual.wav

# 使用 Whisper 测试识别
whisper test_manual.wav --language Chinese --model small

🚀 未来开发计划

目前有一些将来的更新计划

• 实时输入系统,也就是说你可以一边说话,文字就一边上屏,并且可根据你说的话进行一些实时修改
• 手机端作为外接麦克风, 甚至是网络输入方式: 通过公网服务器作为跳板机,用户在手机端下达命令,而通过一些远程桌面服务查看当前Agent的工作状态,已达到Vibe programming的目标

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📄 许可证

本项目采用 Apache License 2.0 许可证。