【首发】水滴语音输入法 - 完全离线的中文语音输入法（测试版）

前段时间看到这个项目https://github.com/LeonardNJU/VocoType-linux，我试了一下，虽然可以用，但是在deepin上有不少问题，而且识别方面也有一些问题需要解决。正好过节有时间，我搓了一个完全离线的中文语音输入法，基于 Fcitx5 框架。目前核心功能已经没问题了，但细节和体验都还有很多不足。现在先拿出来请大家尝个鲜，后面继续改进和开源。

项目初衷

市面上的语音输入法大多需要联网，语音数据会上传到云端处理。而且在linux下基本上就没有一个真正可用的免费中文语音输入法。随着大模型技术的成熟，做一个完全离线的方案，保护用户隐私，同时也能在没有网络的环境下使用，已经可行了。虽然离线识别的准确率可能不如云端，但对于日常使用我现在测试感觉应该够用了。

主要特性

✅ 完全离线 - 所有处理都在本地完成，不上传任何数据。
✅ 实时流式识别 - 边说边出字，无需等待
✅ 智能标点符号 - 根据停顿自动插入逗号（还在调试中）
✅ 文本规范化 - 自动转换数字、日期、货币等
✅ 热词支持 - 可以添加专业术语提高识别率
✅ CPU识别 - 不需要使用GPU，因此不用好显卡也能流畅使用（只要你是在最近5年配置的机器估计都没问题）

技术栈

Rust - 核心引擎
sherpa-onnx - 语音识别引擎
FUNASR - 阿里达摩院的语音识别框架
PipeWire - 音频捕获
Fcitx5 - 输入法框架
egui - 图形设置界面

系统要求

操作系统：Deepin V23 V25 / Debian 12 / Ubuntu 22.04+
目前只测试了deepin 25，由于基本都是静态链接和编译，依赖很少，理论上都能运行。
桌面环境：目前只支持 Fcitx5 的环境，后续看有多少人需要ibus
内存：建议 4GB 以上，这个程序运行时只用不到400M内存，远低于其他基于大模型的同类输入法
磁盘空间：约 300M（包含模型文件）
音频：需要麦克风和 PipeWire

安装方法

1. 下载安装包

# 下载地址
wget http://107.173.178.157/droplet-voice-input_0.1.0_amd64.deb

还没打算做网站，现在软件还不成熟。

# 安装
sudo dpkg -i droplet-voice-input_0.1.0_amd64.deb
sudo apt-get install -f  (如果需要的话）

2. 重启 Fcitx5

fcitx5 -r

或者注销重新登录。

3. 添加输入法

在 Fcitx5 配置中添加"水滴语音输入法"。

4. 开始使用

fcitx切换到语音输入法后（任务栏图标是个麦克风）

按键切换模式：按一次Space键开始，再按一次停止
按了space后，光标所在位置会浮窗提示“开始录音”
注意：设置中的键盘设置和切换模式现在还没有做，目前就这一种方式

已知问题

1. 标点符号识别

逗号的插入还不够准确，有时候明显停顿了也不会插入逗号，有时候又会插入多余的逗号。我已经调整了几次参数，但还是不够理想。

测试建议：

说话时在需要逗号的地方停顿 0.5 秒左右
如果逗号太少或太多，可以在设置中调整"停顿比例"参数

2. 末尾字丢失

说话比较轻或者末尾发音较短时，最后一个字可能会丢失。我调整了 VAD 参数，应该有所改善，但可能还不够完美。

3. 背景噪音干扰

环境中有其他人说话时，可能会被误识别。目前提高了 VAD 启动阈值来减少干扰，但可能会导致轻声说话时无法触发识别。尽量在一个人安静的地方使用，后面应该有办法改善。

4. GUI 设置界面黑屏（虚拟机环境）

在虚拟机中运行设置界面时，可能会出现黑屏。这是 egui 与虚拟机 GPU 加速的兼容性问题。

临时解决方案：

LIBGL_ALWAYS_SOFTWARE=1 vinput-settings

5. 识别准确率

离线模型的准确率肯定不如云端，特别是：

方言、口音较重时识别率会下降
专业术语、生僻词可能识别不准（可以通过添加热词改善）
语速过快或过慢都会影响识别

6. 性能问题

首次启动可能较慢（需要加载模型）
内存占用较大（模型在内存中）需要300M-400M存放模型，这个内存使用已经是同类输入法中最低的了
CPU 占用较高（实时识别需要计算）对于最近几年的机器应该毫无负担，老机器可能有感觉，欢迎大家给我反馈

配置文件

配置文件位于：~/.config/vinput/config.toml

可以手动调整参数，例如：

# 标点配置
[punctuation]
pause_ratio = 1.8          # 停顿检测阈值（1.5-2.5）
min_tokens = 5             # 开始检测的最小词数

# VAD 配置
[vad]
start_threshold = 0.7      # 启动阈值（0.5-0.9）
min_silence_duration = 700 # 最小静音时长（毫秒）

# 端点检测
[endpoint]
trailing_silence_ms = 1000 # 结束后等待时长（毫秒）