起因是昨天下午看到 IT 之家这个新闻：
识别、合成、实时交互全球第一，Qwen-Audio-3.0 系列语音模型上线阿里千问 AI 平台 https://www.ithome.com/0/990/679.htm
于是我搞了一套适用于大部分 linux 发行版和桌面环境的流程。平台送了 36000s （有效期 3 个月），到期后的话，我看了一下价格是每秒 0.00022 元
代码开源在 这里
截图如下，邀请用 linux 桌面的朋友们来试试。有用的话留个⭐呀。这套 flow 个人感觉在 linux 桌面环境很轻量，以后更换模型也很简单，稍微适配一下就可以了。
流式语音识别，边听边写边上屏的功能搞出来了🎉
因为 ibus/fcitx5 可能不太好搞定，我想了另一招：使用 python(PyGObject) + GTK 构建了一个遮罩层用于控制“吐字”，最终上屏还是通过 ydotool 等包来实现。
大家可以观看这个 video
代码我明天再 push 到仓库。
 |
1
ko20 OP 效果还是不错的，对于冒号，顿号、文字中夹杂着 APP 、10000 这种字母和数字，识别都还 OK
|
 |
2
enpitsulin 1 day ago
回去试试好不好使
|
|
3
ko20 OP @enpitsulin #2 谢谢欢迎反馈
|
 |
4
ktyang 1 day ago
唉 可惜你搞出来的有点晚了 已经用别的产品了
|
 |
6
ca2oh4 15h 28m ago
记得有个豆包输入法 linux 版本的
|
|
7
ko20 OP @ca2oh4 #6
查了一下是这样的 > GitHub 上有第三方开源项目（ doubao‑murmur 、doubao‑voice‑input‑electron ），不是字节官方产品，只是调用豆包开放接口做的全局语音听写工具，只做语音转文字，没有拼音/双拼键盘输入能力，只能语音输入，不能当完整中文输入法使用 |
|
11
ko20 OP @zjvbqla #8
在 linux 下的光标处实现一个字一个字的蹦出来还能退格（比如删除一个逗号）再继续逐字输出还是太困难了。微信各端能做到可能是 IME 直接持有"预编辑区/组合区"（ composing region ），可以随时显示文字、增删某个字/逗号、最终一次性"提交"。这大概是它在应用里"流式、可回改、标点合理"的根本原因。 什么时候 wechat for linux 支持了再来研究……  |
 |
12
EvineDeng 10h 38m ago
已经在用 https://github.com/xifan2333/fcitx5-vinput 了，本地模型/在线大模型 均可。
|
|
14
ko20 OP |
Select Language