Linux 原生自适应语音输入：说话，文字直接出现在当前光标。
面向 Ubuntu、IBus 和中文输入场景；默认直接进入当前光标，远程桌面可明确选择 只复制终稿，再由用户手动粘贴。
简体中文 · English
这是使用合成文字制作的交互概念动画，用来说明已经实现的 IBus 光标内 preedit/commit 流程；它不是实际录屏，也没有调用麦克风、API Key 或网络。
Important
当前是面向 Ubuntu 24.04 x86_64 + IBus 的公开 alpha。真实听写使用 用户选择的在线 ASR 账户并产生相应费用；火山引擎是默认且已实机验证的路径， Qwen 与 OpenAI 是尚未用真实 Key 验收的实验后端。本项目目前没有本地 ASR， 也不会自动注册系统级快捷键。
从 v0.1.0-alpha.9 Release
下载 .deb，然后在下载目录运行：
sudo apt install ./open-voice-input-linux_*_amd64.deb安装完成后，从应用菜单打开 Open Voice Input Linux，或运行：
open-voice-input-settings
截图由当前 main 分支使用空临时配置渲染，不包含已经保存的 Key 或用户数据。
接下来只需：
- 选择识别服务，并填入这个服务的 API Key；
- 按自己的设备和使用场景设置麦克风优先级；
- 点击 启用并启动；
- 在 GNOME/KDE 键盘快捷键设置中，选择一个方便且不冲突的组合键并绑定到：
murmur-voice-daemon toggle第一次触发开始听写，第二次触发停止录音并等待二遍识别结果。
设置页还可以切换为“按住说话”。这个模式使用两个明确事件：按下时调用
murmur-voice-daemon press，松开时调用 murmur-voice-daemon release；过短
按压会取消，重复 key-down 不会重复开麦，松开事件丢失时会在用户设置的上限
自动停止。项目不指定 Right Alt 或任何其他物理键。普通 GNOME/KDE 快捷键
通常只提供一次 activation，适合上面的 toggle；按住说话只有在桌面、键盘
或辅助工具能够分别发出 press/release 时才可用。通用 Wayland 快捷键没有
可靠的全局松开事件，本项目不会宣称已经绕过这个限制，也不会扫描全部
/dev/input。
| 能力 | Open Voice Input Linux 的做法 |
|---|---|
| 光标内实时出字 | 使用 IBus preedit 在当前输入框显示 partial，authoritative final 原位提交且只提交一次 |
| 不依赖粘贴 | 默认路径不读取或写入剪贴板，不发送 Ctrl+V，不模拟逐字键盘输入 |
| 远程桌面兼容 | 可明确选择只复制 authoritative final，再由用户在 Remmina 远端确认位置并手动粘贴；默认关闭 |
| 忠实/清爽终稿 | partial 始终原样；终稿可原样提交，或仅用本机有界删除规则清理高置信口头停顿与重复 |
| 记住个人术语 | 在同一输入框内最多观察 5 秒；明确单项可启用，多处修改拆成待确认候选，并提供显式整句 fallback |
| 动态麦克风 | 每次听写按用户保存的顺序重新选择当前可用输入；首选设备不可用时，下一次自动回退 |
| 数据归用户 | 可选保存 WAV 与版本化 JSON 到用户选择的本地或已挂载目录，采集默认关闭 |
| 轻量安装 | 当前 .deb 约 404 KiB，包自身安装占用约 2.7 MiB，不捆绑本地 ASR 模型 |
支持实时 partial 的服务会把累计草稿直接显示在当前光标；所选服务返回 authoritative final 后，输入法只提交一次。OpenAI 批量后端只在停录后返回 final，不伪装成实时流。你不需要先去转写窗口复制，再切回原应用粘贴。
最终文本提交后，输入法可以在同一输入框中保留最长 5 秒的有界观察窗口。
单一高置信术语或拼写修正可以立即启用；多处独立替换会拆成候选，冲突项会
隔离，只有确认后才进入后续听写。设置页会显示最近一次为什么“已启用、待确认、
冲突或跳过”。Chrome 与 Electron 等无法提供可信 surrounding text 的应用可以使用
open-voice-input-settings --review-last：守护进程只在内存中保留最近一条已接受的
识别结果十分钟，设置页以只读方式载入原文，用户明确把副本改成实际说出的逐字
内容后才学习。例如把 bench mark 修成 benchmark 时，只形成这个短语的规则，
不会把整句一起记住。
“云端识别”页可选择 忠实转写（默认）或 清爽表达。模式在每条听写开始 时冻结；实时 partial 不清理，只有 authoritative final 才运行本机确定性删除规则。 清理不调用 LLM，也不增加网络请求，不替换术语、数字或大小写；失败、超限、 不可重放或会删除全部内容时直接交付原始 final。若清理确实改变文本，本条会跳过 自动学习观察，避免把机器删词当作 ASR 纠错；显式复核始终以原始 provider final 为来源，实际交付文本只读展示。
提交时设置页只把最近结果 ID 与逐字复核送回独立的主机私有 socket；守护进程
再次核对该 ID 仍是当前未过期结果，再以同一个 ID 更新学习账本，并在数据留存
已启用时把有界纠错结果排入对应 WAV 的 feedback/ sidecar。成功后该结果立即
消费，重复提交、过期结果和被新听写替换的旧窗口都会被拒绝。界面会区分
“未启用数据留存”“已进入后台队列”和“反馈未能入队”，不会把入队称为最终落盘。
自动学习不会监听全局键盘、AT-SPI、剪贴板、Rime 历史或其他应用内容，也不会把完整
surrounding text 写进纠错账本。失焦、超时和整句润色不会被静默提升为全局规则；
去口头词或表达润色也不能填写成 spoken_verbatim。
采集默认关闭。明确启用后，一次 authoritative final 成功交付到该条冻结的目标 （当前光标或显式剪贴板）后，可以保存为：
- 精确的 16 kHz 单声道 WAV；
- 版本化
record.json； - 麦克风类别、选择依据与实际 Pulse 路由变化（不保存设备私密名称或序列号）；
- 后台事后计算的整体/首秒削波、RMS、峰值、直流偏移与零值比例（只记录数值， 不拦截、不延迟、不修改录音）；
- 数据集根目录下不含转写正文、只供首页汇总的
usage/<utterance_id>.json； - 数据集根目录下 append-only 的
feedback/<utterance_id>/<event_id>.json纠错决定（只有捕获成功时）； - 未经人工审核的供应商 final。
- 实际交付到冻结目标的
delivery（机器生成、未经复核），以及可从原始 final 按顺序重放的明确术语纠错与清理阶段；provider_final仍单独保留。
新记录使用 schema v5，并在 delivery.target 标明 caret 或 clipboard；旧
v1/v2/v3/v4 不会改写。usage 索引使用 schema v2，并明确按
实际交付文本统计字数，同时继续读取旧 v1 摘要。后续修改不会改写不可变的 record.json；可捕获的短纠错作为独立 feedback
事件保存。spoken_verbatim 与 preferred_output 仍待未来听音审核流程填写，
因此这些是有价值的候选数据，不是已经确认的 gold label。
首页只在后台读取 usage/<utterance_id>.json 来显示今日字数、录音时长、听写次数和累计
统计，不会打开或展示 record.json 中的转写正文。数据留存关闭时不会扫描
旧目录；远程挂载断线时会显示“存储不可用”，而不是把未知状态当成 0。
目录可以位于本地磁盘，也可以是操作系统已经挂载的 SSHFS 等 POSIX
文件系统。程序本身不会登录远端，也不直接接受 Google Drive URL。Google
Drive 更适合在一条记录完整发布后使用 rclone copy 异步备份。详见
远程数据集存储指南。
当前 alpha.4 的正式 Debian 包是 413,736 字节（约 404 KiB），包元数据中
的 Installed-Size 是 2,776 KiB（约 2.7 MiB）。它复用 Ubuntu 已有的
Python、GTK、IBus 与音频组件，不随包附带几百兆的模型权重，也不会在首次
启动时偷偷下载模型。
这是“轻量客户端”的含义，并不等于完全离线：当前识别仍由用户选择并配置的 在线 ASR 服务完成。若一台全新 Ubuntu 机器尚未安装所需系统组件，APT 可能 额外下载依赖；具体总下载量取决于机器现状。
火山引擎 BigModel ASR 2.0仍是默认且已经在维护者机器上实机使用的后端。 alpha.5 还接入了 Qwen 实时 ASR 与 OpenAI 停录后 Transcribe；两者通过完整的 假传输协议测试，但尚未用真实用户 Key 验收。MiniMax 只显示为计划项，因为目前 没有找到可独立验证的官方语音转文字接口，项目不会伪造一个适配器。所有后端都 需要用户自己的账户、Key 与费用；保存设置本身不会联系供应商。详见 后端说明。
只有用户主动开始听写后，音频才会发给当前选择的在线 ASR 服务。取消可以阻止 本地提交，但无法撤回已经上传的音频；计费、地域处理与服务端留存遵循用户所选 服务及其账户配置。可选 WAV/JSON 采集是另一项独立 opt-in，不会替代供应商 上传，也不会由本项目再次上传到其他服务。
语音路径负责转写，不是生成式写作。供应商侧 DDC、标点、分句和 ITN 可以 整理文本，但程序不会把一句短指令扩写成邮件，也不会主动补充用户没有说的 事实。使用敏感内容前请阅读隐私说明和 威胁模型。
| 项目 | 当前 alpha 状态 |
|---|---|
| 操作系统 | Ubuntu 24.04 x86_64 是 .deb 与 CI 的明确目标 |
| 桌面输入 | 面向支持标准 IBus preedit 的应用；X11/Wayland 真实应用矩阵仍在扩大 |
| 中文键盘 | 听写时临时切换到 murmur-voice，结束后恢复原来的精确 IBus 引擎；librime／雾凇永久合并尚未完成 |
| ASR | 火山引擎默认；Qwen 实时与 OpenAI 批量为未用真实 Key 验收的实验后端；均需用户自己的账户与 Key |
| 本地 ASR | 尚未实现，Whisper/Qwen 等个人模型属于后续路线 |
| 快捷键 | 设置可选点按切换或按住说话；按键由用户选择，Wayland 的全局 release 边界会如实显示 |
| 密码与隐私输入框 | password、PIN、private、fake 或不支持 preedit 的上下文拒绝开始语音 |
| 远程桌面 | IBus preedit 不能穿过 RDP 画布；可显式启用终稿复制，由用户在远端手动 Ctrl+V，无 partial、自动粘贴或 surrounding-text 学习 |
这是社区测试用的公开 alpha，不是稳定发行版。请同时查看 CHANGELOG、ROADMAP和 真实兼容性验证矩阵。
默认只需要一个由用户自己选择的快捷键：第一次触发开始听写，第二次触发 停止并等待 final。也可在设置页选择按住说话，并接入分别发送 press/release 的按键工具。设置页负责 Key、交互模式、个人词表、纠错、设备偏好与可选数据 采集；保存设置不会打断正在进行的听写，新配置从下一次听写开始生效。 个人词表与明确纠错是两份可选的手动配置，只有点击保存才会建立对应文件； 自动学习使用独立的私有账本。设置页会分别显示这三类来源，以及下一次请求 实际会带上的纠错上下文数量，避免把“文件不存在”误解为“学习没有运行”。
Remmina 等 RDP 画布不是本机 IBus 输入框。需要把本机识别结果交给远端时，可在
远程桌面页显式选择“同步剪贴板”。它只复制确认后的终稿，不复制 partial、
不自动粘贴，也不会发送模拟按键；状态只证明上一条写入当时成功，其他应用可能
随后覆盖剪贴板。由用户确认远端光标并手动 Ctrl+V。内容会同时暴露给本机和远程会话的剪贴板，禁止用于密码、Key、验证码
等秘密；该条也不会尝试 surrounding-text 自动学习。详见
远程桌面输入。
麦克风顺序完全由用户设置。每次新听写都会重新检查当前可用输入，并按照该 顺序选择；首选设备掉线时自动尝试后续候选，重新连接后也无需重启服务。选择 只作用于本应用新开的录音流，不主动修改播放设备、系统默认输入、音量或 静音；一次已经开始的听写不会在中途换麦。
命令行控制（可选）
murmur-voice-daemon start # 开始
murmur-voice-daemon stop # 停止并等待 final
murmur-voice-daemon press # 按键按下（按设置决定 toggle / push-to-talk）
murmur-voice-daemon release # 按键松开
murmur-voice-daemon cancel # 取消本地提交
murmur-voice-daemon status # 查看状态flowchart LR
M["按用户偏好选出的可用麦克风"] --> V["Voice daemon"]
S["设置与私有配置"] --> V
V -->|"partial / final · D-Bus"| E["临时 IBus 语音引擎"]
E -->|"preedit / commit"| F["当前输入框"]
V -.->|"用户明确选择 · final only"| C["同步剪贴板"]
C -.->|"用户确认后手动粘贴"| R["Remmina 远端输入框"]
V -.->|"用户明确启用"| D["本地或已挂载的数据目录"]
网络侧语音守护进程与 IBus engine 分离。焦点 token、D-Bus sender、utterance ID 和单调 revision 共同拒绝迟到或串会话结果；密码、PIN、private、fake 与 不支持 preedit 的上下文在开麦前拒绝。
当前听写与短暂纠错窗口会临时占用 murmur-voice，随后恢复原来的 IBus
engine。生产目标仍是一个 librime-capable engine，让键盘与语音连续共存。
开发者可以在不使用麦克风、API Key、网络，也不修改当前桌面 IBus 的情况下 验证真实 preedit/commit 路径：
python3 -I scripts/run_isolated_preedit_smoke.py它使用私有 Xvfb、D-Bus 和 IBus 实例发送固定的合成中文 partial/final。 这能验证光标内协议路径，但不能证明真实麦克风质量、供应商准确率或所有应用 兼容性。
sudo apt remove open-voice-input-linux卸载会保留用户自己的 API Key 配置、词表、纠错、麦克风策略、采集选择和 外部 dataset；只有用户明确操作时才应删除这些私人数据。
- 完整中文安装与使用指南
- English README
- 架构与 D-Bus 接口
- 识别准确率与自适应纠错
- 个人 ASR 数据计划
- 远程与已挂载存储
- 安全说明、威胁模型与隐私说明
- 发布定位与演示分镜
- 中文产品发布计划
- 中文宣传资料包
- 贡献指南与支持渠道
欢迎提交真实的发行版、桌面、应用和麦克风兼容性报告，但请不要在 issue、 截图或日志中上传 API Key、私人录音、真实转写、个人词表或数据集路径。
新原创代码采用 GPL-3.0-only。项目围绕 ibus-rime（GPL-3.0-or-later）和
librime（BSD-3-Clause）设计；雾凇拼音是外部 GPL-3.0-only 项目，不随本
仓库打包。详见 NOTICE 与许可证审计。
Open Voice Input Linux 是独立社区项目，与 Rime、火山引擎、字节跳动或豆包 不存在隶属或官方合作关系。