

我曾经说过,现在再强调一遍:语音将是未来首选的交互方式,无论是智能手机还是桌面电脑。
而本地AI正是语音应用的绝佳场景——语音模型体积小,普通笔记本就能跑;更重要的是,你的声音数据是最私密的个人信息,谁都不想把自己随口嘟囔的每一句话都传送到别人的服务器上用于训练AI吧?

🐧 Linux迎来语音输入时代
Ubuntu 26.10正式搭载了Myna,这是Canonical推出的语音转文字工具。按下快捷键即可说话,文字会直接出现在你当前使用的应用中。

Myna支持在本地运行Parakeet、Whisper或FunASR等模型,模型下载后完全无需联网。
当然,Myna并非孤例。类似的工具有不少,比如Vocalinux和TuxTalk。虽然也有一些商业化工具如Superwhisper面向Linux,但它们并非真正的本地方案。
不管是Myna还是Superwhisper,绝大多数听写工具的工作流程都包含四个步骤:
- 第一步:检测你是否正在讲话,并裁剪掉静音片段
- 第二步:语音模型(通常是Whisper或Parakeet)将音频转为原始文本
- 第三步:部分工具会将文本送入本地大模型进行润色,修正标点、术语和格式
- 第四步:工具将最终结果键入你的活动窗口
其中「清洗」这一步是可选的,而且成本不小——多跑一个模型意味着占用更多内存,文字出现的延迟也会更长。对于短消息而言,直接用Whisper输出的原始文本往往就足够了。
🔍 发现更多AI工具
WhisPaste 1.5
WhisPaste 1.5于11月16日发布。这款MIT开源应用在你的机器上完成转录,支持whisper.cpp或Parakeet,云端服务仅为可选项。新版新增了对本地音频和视频文件的转录功能,涵盖MP3、FLAC到MKV、WebM等各种格式,历史记录和笔记也改用加密存储。
Koe
Koe是唯一一款在本地执行LLM润色步骤的工具,采用Rust编写,MIT协议许可。语音先经由whisper.cpp处理,再由Ollama中的模型负责文本整理。开发者最初是为了在Ubuntu上方便输入日文而打造它,不过Whisper支持的所有语言它都能识别。
🧪 最近在用
我在It’s FOSS全面使用Proton生态——@itsfoss的邮箱、VPN、云存储和密码管理器都用它家的产品,整个体系围绕隐私承诺构建。
Proton还推出了自己的私有AI——Lumo。在此之前,它的表现相当平淡,本质上就是个类似2024年ChatGPT那样的聊天机器人。
但昨天Proton对Lumo进行了重大更新,推出了桌面端应用,新增了技能模块、连接器以及对系统文件和Shell的访问能力。
现在的Lumo终于有了实用价值——你的数据依然留在本地,同时它能帮你处理邮件分类、GitHub管理等任务。
当然它还有很长的路要走,但至少Proton迈出了正确的一步。
🗂️ AI行话解析:VAD
VAD全称Voice Activity Detection(语音活动检测),是一个轻量级模型,专门用来监听麦克风输入,判断声音是语音还是环境噪音——比如风扇声或键盘敲击声。
听写工具利用VAD来截断音频进入语音模型前的静音段,减少的音频量意味着更快的转录速度,同时也避免了Whisper在静默中「凭空听到」词语的问题。Silero VAD是最常见的选择,Koe也支持它。
⚡ 快速技巧
大部分这类工具都允许你选择下载哪个Whisper模型。但在听写场景中,体积更大的模型未必更好。
- 如果你只使用英语听写,请选择后缀为
.en的模型,例如base.en或small.en - 同体量下,纯英语版本的准确率通常高于多语言版本,小模型尤其明显
- 没有独立显卡的笔记本,建议从
small.en起步,仅在反复识别错误时再升级 - 响应缓慢的模型带来的挫败感,远大于偶尔出现的错别字
我们下周见 👋
关注微信号:智享开源 ,及时了解更新信息。
阅读原文
还没有任何评论,你来说两句吧!