ALPHA · 永远免费 · 开源

按住右 Alt
直接说话.

Linux 上唯一免费的中文语音输入法
90.66%30 条真人样本 · 内容准确率

macOS 上有 typeless，但收费。豆包输入法没出 Linux 版。nerd-dictation 不支持中文。
VoiceIME 是 Linux 上按住右 Alt 就能说话、中文 / 中英混合直接上屏的日用级替代 — 并且免费、开源。

SCROLL ↓
0 元永远免费，不订阅、不收费
90.66%30 条真人样本内容准确率
≈ 1.0s首字延迟，松键即上屏
100 次PTT 连续无卡死（开发机已验证）
01 / WHY

Linux 上的中文语音输入，长期是空白。

macOS only · 收费

typeless

macOS / Windows 上的明星产品，中英混输和中文都做得不错。但它不出 Linux 版，并且是付费订阅。

没有 Linux 版

豆包输入法

macOS / Windows 上的中文体验天花板之一，识别质量极高。但官方至今没有 Linux 客户端，Linux 用户用不上。

不支持中文

nerd-dictation / Vosk

Linux 上的开源方案里最像样的一个，但底层是英文优化模型。中文一句话里夹一个英文词，结果就崩坏。

02 / COMPARE

对标豆包输入法 80% 体验，免费给到 Linux。

VoiceIME typeless 豆包输入法 nerd-dictation
价格 永久免费 订阅制 免费 免费
Linux 桌面 原生支持 — — 支持
中文识别 90.66% 优秀 顶级 弱
中英混输 Sherpa 双语流式 支持 支持 弱
输入法上屏 Fcitx5 原生 系统输入法 系统输入法 xdotool 模拟
开源 是 否 否 是
代码可控 完全 否 否 是

VoiceIME 在「Linux 桌面 + 免费 + 代码可控」三项的交叉格里，是目前唯一的选项。

03 / ARCHITECTURE

一条管线，按住说话 → 上屏。

实时优先保证"边说边有字"，松键后再花几百毫秒补标点、纠错、提交。一次听写是独立的 ASR stream / recorder，异常不会污染下一次。

Right Alt down │ ▼ ┌──────────────┐ 16k PCM ┌──────────────────┐ │ parec │──────────────▶│ Sherpa streaming │ │ (per-press) │ │ Paraformer 中英 │ └──────────────┘ └────────┬─────────┘ │ partial / final ▼ ┌────────────────────────────────────────────────────────┐ │ voiceime-ptt supervisor │ │ · 100ms 内恢复 idle │ │ · 每 20ms 拉一次音频，避免积压 │ │ · 持久 Gio D-Bus 直连 Fcitx5（不再每 partial 启 busctl）│ └────────────────────┬───────────────────────────────────┘ │ final transcript ▼ ┌──────────────────────┐ │ DeepSeek punctuation-only │ ← 默认开启，aggressive 可选 │ mode = punctuation (default) │ └──────────┬───────────┘ ▼ ┌──────────────────────┐ │ Fcitx5 native commit │ ← GTK surrounding-text / VTE backspace └──────────┬───────────┘ ▼ ┌──────────────────────┐ │ 当前焦点输入框 ← 真正上屏 │ └──────────────────────┘ Optional: 松键后接 FireRedASR2 二遍纠错（默认关闭，需 VOICEIME_FINAL_ENABLED=1）
04 / NUMBERS

不用嘴炮，用同一批真人录音跑 A/B。

30 条日常真人样本（不是 Wenet 测试集），覆盖不同长度、口音、中英混说比例。同一份 manifest 在两条链路上跑。

指标Sherpa streaming（默认）FireRedASR2（可选）备注
内容准确率 90.66% 82.71% 这批数据参与了调优，只能做开发集
首字延迟 ≈ 1.0s n/a 首字即可在 Fcitx5 预编辑区出现
标点纠错延迟 ≈ 0.8s — 仅在松键后发生，不阻塞边说边显示
标点模式安全阈值 只接受标点 / 中英文空格变化 实词被改就拒绝，保留 ASR 原文
100 次 PTT 无卡死率 pass — supervisor 4s 超时直接重启引擎
vs 豆包同条件盲测 待做 当前数字只是开发集，未参与调优的盲测集是下一步
05 / INSTALL

Ubuntu 24.04 · 一条 deploy.sh。

依赖一次性装好，之后每天一行命令就能更新。 

# 依赖和模型已经装好时，日常更新直接：
./deploy.sh
# 默认开启 DeepSeek 标点纠错；模式默认 punctuation（只补标点 / 空格）
# 关闭 AI：
VOICEIME_LLM_ENABLED=0 ./deploy.sh
06 / STATUS

今天的边界，和明天的边界。

已经能做到 DONE

  • 中英混合 streaming 上屏，30 条真人样本 90.66%
  • DeepSeek punctuation-only 安全纠错（默认）
  • PTT supervisor 4s 必重启，100 次 PTT 无卡死
  • Fcitx5 原生提交：GTK / Qt / VTE / 终端均通过
  • 每次听写 独立 ASR stream / recorder
  • 完全开源、永久免费

明确还没做 NEXT

  • Wayland：当前 X11 为主，Wayland 需要 ydotool
  • 多说话人分离：会议场景需要
  • 个人热词 / 替换表：行业词、口头禅
  • 更激进的纠错模式：aggressive 默认不开，避免改实词
  • vs 豆包 / typeless 同条件盲测：当前数字只是开发集
Linux 上说话，
就能打字。
不用订阅、不用等厂商出 Linux 版 — 自己写一个，免费给到所有人。
07 / GET STARTED

装上，按住右 Alt，
开始说话。

查看安装 ↑ GitHub 源码 ↗ 作者主页 ↗