Home.zh CN

Voice Input Wiki

English

Voice Input 是一个常驻的 Agent-aware 语音输入服务，面向 Omarchy、Hyprland 和 Wayland。它组合了 Qwen 实时 ASR、可选的全音频最终识别、保守的 LLM 文本整理、Pi/Codex 术语上下文、不接收点击的 Quickshell HUD，以及按需启动的 Quickshell Settings。

本页仅作为索引。项目的简短介绍请参阅仓库 README。

从这里开始

目标	页面
从全新 clone 开始安装	安装指南
查看全部 TOML 配置项	配置参考
了解采集、ASR、整理和输出流程	架构
启用当前 Pi/Codex 会话的术语上下文	Agent 上下文
集成 Hyprland、Quickshell 和 Waybar	桌面集成
了解哪些数据会离开本机	安全与隐私
排查故障	故障排查
构建、测试、打包或贡献代码	开发指南

当前支持的运行方式

Voice Input 目前面向使用 Hyprland 和 Wayland 的 Linux 图形用户会话。标准安装会启动两个 systemd 用户服务：

• voice-input.service 运行 Rust daemon。
• voice-input-hud.service 让 assets/quickshell 中的 Quickshell HUD 保持常驻。

Settings 使用 assets/quickshell-settings 中的另一套 Quickshell 配置，并且按需显示为普通浮动窗口；它不是第三个 service。

公开示例配置默认使用本地 ASR，并明确调用 /usr/bin/voxtype。Alibaba Qwen 实时 ASR、Qwen 全音频最终识别、LLM 整理、Agent 上下文和麦克风 pre-roll 都需要用户主动启用。

常用命令

voice-input record toggle
voice-input record cancel
voice-input status
voice-input status --follow --format json --extended
voice-input settings
voice-input setup model
voice-input llm test

检查服务：

systemctl --user status voice-input.service voice-input-hud.service
journalctl --user -u voice-input.service -u voice-input-hud.service -b

主要行为

• Qwen 实时 ASR 提供 partial 和 final transcript；Server VAD 同时提供语音活动状态。
• 可选的 final pass 会把完整的临时 WAV 上传到配置的 Alibaba compatible endpoint。成功后，其结果会替换实时识别文本。
• 独立采集和共享 pre-roll 采集路径都会在达到 audio.max_duration_secs 后自动停止并进入最终处理；默认上限为五分钟。
• 实时音频使用容量受限的非阻塞传输方式。如果远程 stream 处理速度落后，采集仍会继续，并通过已启用的 final pass 或本地 fallback 处理完整录音，而不会采用不完整的远程文本。
• LLM 整理失败时继续使用 ASR 文本。带上下文的请求与可能执行的纯 transcript 重试共用一份预算：默认 15 秒，上限为 30 秒。
• 当前 Pi/Codex 会话的上下文是可选功能，仅用于术语校正，并且会经过验证、脱敏和长度限制。
• 超过 120 个字符的文本会自动通过剪贴板粘贴。XWayland 默认也优先采用粘贴。
• Quickshell HUD 从 state.json 读取状态、可见性和几何配置，并通过单独的 Unix socket 接收波形帧。因此，界面更新频率不会决定 ASR packet 的发送频率。
• voice-input settings 会激活已有的 Settings 窗口，或者启动新窗口。QML 通过带版本号的 NDJSON 与 Rust child backend 通信；只有 Rust 负责验证配置，并以原子方式写入配置和 credential。

项目边界

Voice Input 是独立的社区项目，与 Omarchy、Alibaba、OpenAI、OpenRouter、Pi、Codex 或 Voxtype 没有官方隶属或背书关系。

下一步：安装指南 · 架构 · 故障排查