给 Fcitx5 写了个语音输入插件， VAD 自动分割，不用按键

[devcxlcn]

先说背景。我一直想在 Linux 上用语音输入，最开始瞄上的是 fcitx5-vinput ，这个项目用的是本地语音识别，想法很好。但我试了一下发现一个问题——它要在本地跑模型，我的轻薄本 16G 内存本来写个 IDE 再开几个浏览器标签就差不多了，再跑个语音模型，风扇直接起飞。也有这个请求 API 的模式，但是，它使用的是一个单独的进程在做。我有点架构洁癖，代码洁癖。

所以退而求其次，走云端方案。但现有方案基本都要你手动按快捷键开始/停止，或者用系统级方案加外部脚本，体验很割裂。

后来想了想，不如自己写一个 Fcitx5 的插件：fcitx5-voice-input

核心思路就三个：

1. Silero VAD 自动检测语音 — 不用 push-to-talk ，张嘴说话就行，停 800ms 自动结束
2. 后台队列流水线 — 采集 → VAD → ASR 三个独立线程走队列，不阻塞输入法
3. 兼容 OpenAI 协议 — 可以用自己的 OpenAI 账号，也可以用 Groq （免费额度够用而且很快唯一不足的就是 Whisper ，它的识别率不是很好。）、SiliconFlow 啥的

云端识别的好处就是本地几乎零开销，16G 轻薄本完全无感。

写完了装到 Arch 上用了几天，几个实际感受：

• 800ms 停顿时长默认挺合理，正常说话不会断，停下来了自动提交
• 切窗口时加了 200ms 延迟停止，不会因为切出去看一眼就被打断
• 已经打包到 release ，也支持编译安装

README 写了详细配置和构建步骤： https://github.com/devcxl/fcitx5-voice-input

有啥建议或者 bug 直接提 issue ，目前 MVP ，后续计划加本地 ASR 。

[devcxlcn]

我丢。怎么没人评论 有没有使用 Linux 桌面发行版 的？帮我测试测试呗。我估计还有很多 bug 。

[selca]

给录个使用样例看看呗

[Tink]

想在 steamdeck 上试试，那上面是 arch+fcitx

[devcxlcn]

@selca <img width="1280" height="720" alt="Image" src="https://github.com/user-attachments/assets/48164962-deba-4328-bf26-70cd258f86a6" />

[yplam]

我试过本地 ASR 资源占用应该还可以，sherpa-onnx 跑 1G 的模型支持多语言，效果还行。

[devcxlcn]

@yplam 对于我这个 3 年前的板载 16G 内存笔记本来说有点捉襟见肘，特别是开了 IDEA 跟很多浏览器标签页之后。内存得有 80% 我再开个 asr 我笔记本直接就卡飞了。

[devcxlcn]

@Tink 我不确定 steamdeck 这上面能不能用。因为它后端去采集音频是用的，什么我还不太清楚。不过有问题的话，随时提 issue

[shoaly]

后续接一个 流式反馈的语音模型吧, 比如豆包, 体验一下就上去了