项目概览

fcitx5-voice-input 是一个专为 Linux 桌面设计的 Fcitx5 语音输入法插件（Addon），提供高准确率、低延迟的中文及多语言语音输入能力。

---

快速导航

• 入门指南：5 分钟快速上手语音输入与日常操作流程。
• 快速安装指南：AUR 包、各发行版预编译包（DEB / RPM）与源码编译安装详解。
• 配置指南：详细参数说明、各 ASR 后端配置示例与 LLM 后处理调优。
• 常见问题与排查 (FAQ)：麦克风故障、API 报错与调试日志获取方法。

---

核心特性

• 自动人声检测 (VAD)：集成轻量级 Silero ONNX VAD 模型，自动判定说话起止并分段，完全告别手动按键长按。
• 多 ASR 后端支持：
  • OpenAI 兼容后端：支持 OpenAI Whisper 官方 API、Groq、硅基流动（SiliconFlow）、阿里云百炼 DashScope（qwen3-asr-flash）以及小米 MiMo（mimo-v2.5-asr，Chat 模式）。
  • 火山引擎豆包 ASR：低延迟 WebSocket 流式识别，支持实时增量上屏、逆文本标准化 (ITN) 与二次语义修正。
  • Mistral Realtime：原生 16kHz PCM WebSocket 流式转写。
  • OpenAI Realtime：24kHz 双向流式增量转录。
• 实时增量候选 (Preedit)：流式识别模式下，说话过程中候选栏实时显示中间识别字词。
• LLM 智能后处理：支持将识别文本送入大语言模型进行同音错字修正、排版美化与标点润色。
• 高韧性音频捕获：PulseAudio 优先并支持原生 PipeWire 直连降级；运行期 dlopen 延迟加载，系统音频库升级无缝兼容。
• 智能防误触设计：窗口快速切换时具备 200ms 防抖保护，切回后无缝继续输入。

---

技术栈概览

模块组件	技术方案	特性与优势
插件架构	Fcitx5 C++20 Addon	纯共享库无守护进程，常驻 Fcitx5 进程内低开销运行
音频采集	PulseAudio + PipeWire	dlopen 延迟绑定，支持优先捕获硬件麦克风
语音分段	Silero ONNX Runtime	16kHz mono int16，512 采样点/窗口（32ms）极速低开销推理
管道架构	多线程安全队列 (SPSC/MPSC)	Capture → VAD → ASR Dispatcher → Session Reaper → EventDispatcher
网络通讯	libcurl (HTTP / WebSocket)	支持多路并发会话管理与乱序汇聚按序上屏
打包分发	CMake + CPack + AUR	DEB/RPM 由 CI 构建；Arch 用户经 AUR 包安装

---

进阶文档

• 系统架构设计：详细设计、会话模型与 ADR 决策记录。
• 产品需求与规范：产品功能定义与排除范围。
• CI/CD 多发行版构建：多发行版容器化构建矩阵分析。