impressionyang/impress_voice_input
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 2 Wiki Activity
50 Commits 1 Branch 2 Tags 2 MiB
C++ 88%
HTML 5.5%
CMake 3.7%
Shell 2.3%
C 0.5%
3ccdff0828
Go to file
impressionyang 3ccdff0828 fix: 修复 CapsLock 重复复位和托盘图标黑色方块 
1. 重复复位: onHotkeyDeactivated() 中移除 simulateCapsLock()，
   只保留 onRecognitionComplete() 中的复位调用，确保只复位一次。
   无音频时也调用 simulateCapsLock() 复位。

2. 托盘图标黑色方块: 移除自定义 QPixmap 绘制（在某些平台/主题下
   渲染为黑色方块），改用应用窗口图标 + QStyle::SP_ComputerIcon 回退。
   状态变化通过 tooltip 文字指示，不再切换不同颜色的图标。

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
2026-06-11 17:14:10 +08:00
cmake feat: 添加 Windows 交叉编译支持与 ONNX Runtime MinGW 兼容方案 2026-06-11 11:50:16 +08:00
configs feat: 初始化 Impress Voice Input 项目 2026-05-12 15:53:05 +08:00
models feat: 初始化 Impress Voice Input 项目 2026-05-12 15:53:05 +08:00
src fix: 修复 CapsLock 重复复位和托盘图标黑色方块 2026-06-11 17:14:10 +08:00
tests feat: 添加 VAD 模块和单元测试框架 2026-05-12 16:57:46 +08:00
third_party docs: 添加第三方依赖部署指南 2026-05-12 16:00:52 +08:00
.gitignore feat: 添加 Windows 交叉编译支持与 ONNX Runtime MinGW 兼容方案 2026-06-11 11:50:16 +08:00
build-linux.sh feat: 添加 Linux/Windows 构建和打包脚本 2026-06-11 16:06:25 +08:00
build-win.sh feat: 添加 Linux/Windows 构建和打包脚本 2026-06-11 16:06:25 +08:00
CMakeLists.txt feat: 添加 Windows 交叉编译支持与 ONNX Runtime MinGW 兼容方案 2026-06-11 11:50:16 +08:00
PRD.md feat: 初始化 Impress Voice Input 项目 2026-05-12 15:53:05 +08:00
README.md feat: 集成 SenseVoice 完整推理管线 2026-05-12 19:26:11 +08:00
run.sh feat: 添加 Windows 交叉编译支持与 ONNX Runtime MinGW 兼容方案 2026-06-11 11:50:16 +08:00

README.md

Impress Voice Input

基于 ONNX 的实时语音转文本输入法，C++ 跨平台实现。

功能特性

  • 实时语音识别 — 麦克风采集，流式输出识别结果
  • 音频文件转写 — 支持 WAV/MP3/FLAC，批量处理，导出 TXT/SRT
  • 跨平台 GUI — Qt 6 构建，支持 Windows / macOS / Linux
  • 本地推理 — ONNX Runtime，支持 CPU/GPU 加速
  • 可配置 — 模型路径、推理参数、快捷键均可自定义

项目结构

impress_voice_input/
├── CMakeLists.txt              # 构建配置
├── PRD.md                      # 产品需求文档
├── cmake/                      # CMake 模块
│   └── dependencies.cmake      # 依赖查找
├── src/
│   ├── main.cpp                # 入口
│   ├── app/                    # 应用层 (Application, ConfigManager)
│   ├── core/                   # 核心 (STTEngine, AudioProcessor, Decoder, Tokenizer)
│   ├── audio/                  # 音频 (AudioCapture, AudioDecoder, RingBuffer)
│   ├── ui/                     # GUI 页面与控件
│   │   ├── main_window.cpp     # 主窗口
│   │   ├── stt_test_page.cpp   # 实时识别页
│   │   ├── file_transcribe_page.cpp  # 文件转写页
│   │   ├── settings_page.cpp   # 配置页
│   │   └── widgets/            # 自定义控件
│   └── utils/                  # 工具类
├── configs/                    # 配置文件
├── models/                     # ONNX 模型存放目录
└── third_party/                # 第三方依赖

技术栈

组件 选型
GUI Qt 6
推理引擎 ONNX Runtime (C++ API)
音频采集 PortAudio
音频解码 dr_libs (dr_wav, dr_mp3, dr_flac)
构建系统 CMake 3.20+
配置存储 nlohmann/json

编译指南

前置依赖

  1. CMake >= 3.20
  2. Qt 6 >= 6.5
  3. ONNX Runtime C++ 库
  4. PortAudio
  5. C++17 兼容编译器 (GCC 9+ / Clang 10+ / MSVC 2019+)

第三方库准备

# 放入 third_party/ 目录
third_party/
├── onnxruntime/
│   ├── include/
│   └── lib/
├── portaudio/
│   ├── include/
│   └── lib/
├── dr_libs/
│   ├── dr_wav.h
│   ├── dr_mp3.h
│   └── dr_flac.h
└── nlohmann_json/
    └── json.hpp

编译

mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
cmake --build . -j$(nproc)

带测试编译

cmake .. -DCMAKE_BUILD_TYPE=Release -DBUILD_TESTS=ON
cmake --build . -j$(nproc)
ctest

运行

# 默认启动
./impress_voice_input

# 指定配置文件
./impress_voice_input --config /path/to/config.json

# 指定模型
./impress_voice_input --model /path/to/model.onnx

模型准备

支持以下 ONNX 格式模型：

  • Whisper (small/medium) — 多语言，高质量
  • Paraformer — 中文优化
  • 其他兼容 CTC 的 ASR 模型

将 .onnx 模型文件放入 models/ 目录，然后在配置页面设置路径。

当前状态

项目处于 核心推理实现阶段：

  • 项目结构与 CMake 配置
  • 配置管理模块 (线程安全，自动持久化)
  • STT 推理引擎 (ONNX Runtime 集成，异步模型加载)
  • Mel 频谱图提取 (Hann 窗 + FFT + Mel 滤波器组)
  • Whisper Tokenizer (BPE 分词)
  • 音频采集/解码框架 (PortAudio/dr_libs)
  • 三个 GUI 页面 (实时识别 / 文件转写 / 配置)
  • 日志系统 (控制台 + 文件输出)
  • 批量文件转写 (支持 WAV/MP3/FLAC)
  • 结果导出 (TXT / SRT 字幕 / JSON 结构化数据)
  • 音频重采样 (非 16kHz 音频自动重采样)
  • 语音活动检测 (VAD — 短时能量 + 过零率)
  • 音频文件信息 (时长/采样率/声道数)
  • 单元测试框架 (Catch2, 39 个测试用例)
  • 完整 Whisper 推理 (自回归解码 + 流式识别)
  • SenseVoice 完整推理 (Fbank → LFR → CMVN → ONNX → CTC 解码)
  • 跨平台打包

License

MIT