audiov

让语音输入像键盘操作一样直接。

audiov（Audio + V）是一个使用 Rust 编写的 Linux 全局语音输入守护进程，通过 fcitx5 addon 将识别结果直接提交到当前输入上下文。

核心特性

• 本地离线识别：基于 whisper.cpp，支持在本机 CPU/GPU 上完成语音转写，数据不离开设备。
• 远端 Whisper 接口：支持通过配置切换到 Whisper 兼容的远端 API。
• fcitx5 直接注入：通过 fcitx5 addon 的 CommitText DBus 方法，将文本直接提交给当前聚焦输入上下文。
• KDE 全局快捷键：通过 org.kde.KGlobalAccel 注册全局快捷键，默认 Meta+H 单键切换录音。
• 手动录音模式：保留前台交互录音模式，便于调试与验证链路。

工作流程

1. Capture：监听 KDE 全局快捷键或手动触发，采集麦克风音频（PipeWire/PulseAudio/ALSA）。
2. Inference：调用本地 whisper.cpp 引擎或远端 HTTP API 完成语音转文本。
3. Inject：通过 fcitx5 addon DBus 接口将文本直接提交到当前输入上下文。

快速开始

依赖项

• Rust 工具链（cargo）
• fcitx5（含 audiov addon，见 contrib/fcitx5-audiov/）
• KDE Plasma（全局快捷键模式）

安装 fcitx5 addon

./contrib/fcitx5-audiov/install-user.sh
./contrib/fcitx5-audiov/restart-fcitx5.sh

验证 addon 已加载：

busctl --user introspect org.fcitx.Fcitx5 /org/freedesktop/Fcitx5/Audiov

编译与运行

cargo build --release

# KDE 全局快捷键模式（默认）
./target/release/audiov --config ~/.config/audiov/config.toml

# 手动录音模式
./target/release/audiov --manual --config ~/.config/audiov/config.toml

配置文件默认查找顺序：

1. AUDIOV_CONFIG 环境变量；
2. ~/.config/audiov/config.toml（若存在）；
3. 若均不存在则报错，需通过 --config 显式指定。

作为系统服务运行

# 创建 ~/.config/systemd/user/audiov.service
systemctl --user enable --now audiov.service

# 常用命令
systemctl --user status audiov
journalctl --user -fu audiov

配置

参见 config.example.toml，主要配置段：

转写后端

[whisper]
backend = "cpp"  # 或 "remote"

[whisper_cpp]
model = "models/ggml-large-v1.bin"
threads = 4
use_gpu = false

[whisper_remote]
enabled = false
endpoint = "https://api.openai.com/v1/audio/transcriptions"
model = "whisper-1"
api_key = ""
timeout_secs = 60

fcitx5 输出

[paste]
fcitx5_service = "org.fcitx.Fcitx5"
fcitx5_path = "/org/freedesktop/Fcitx5/Audiov"
fcitx5_interface = "org.fcitx.Fcitx5.Audiov1"

KDE 全局快捷键

[hotkey]
enabled = true
shortcut = "Meta+H"
component_unique = "audiov"
component_friendly = "audiov"
action_unique = "toggle-recording"
action_friendly = "Toggle Recording"

第一次按下快捷键开始录音，再次按下停止并转写注入。

语言识别（LID）

[language_detection]
enabled = false
mode = "per_session"
allowed_languages = ["zh", "en"]
confidence_threshold = 0.65
default_language = "zh"
use_detected_language_for_inference = false

录音后端

[recorder]
backend = "auto"  # auto | pipewire | pulseaudio | alsa
# input_device = ""

启动参数

参数	说明
--config <path>	指定配置文件路径
--manual	前台手动模式，按 Enter 开始/停止录音
--transcribe-wav <path>	直接转写 16kHz/mono/PCM16 WAV 文件