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 — 长按快捷键开始录音，松开自动识别并注入文字
• 音频文件转写 — 支持 WAV/MP3/FLAC/OGG，批量处理，导出 TXT/SRT
• 跨平台 GUI — Qt 6 构建，支持 Windows / Linux
• 本地推理 — SenseVoice ONNX 模型，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
• 系统托盘 — 最小化后台运行，双击快速唤出

快速开始

下载安装

平台	文件	大小
Windows	impress_voice_input_windows.zip	~47MB
Linux	impress_voice_input_linux.tar.gz	~34MB

• Windows：解压后进入 dist_win/ 目录，双击 impress_voice_input.exe
• Linux：解压后运行 ./run.sh

首次使用

1. 获取 SenseVoice ONNX 模型（.onnx 格式）
2. 打开应用 → 切换到 配置 标签页
3. 设置 模型路径 指向 .onnx 文件
4. 设置 词表路径 指向 tokens.txt 文件
5. 点击 保存配置
6. 设置语音快捷键（默认长按 CapsLock）
7. 状态栏右侧显示 模型已就绪 即可开始使用

模型下载

本项目使用 SenseVoice Small 多语言语音识别模型（支持中文、英文、日语、韩语、粤语）。

1. 访问 HuggingFace 模型仓库： csukuangfj/sherpa-onnx-sense-voice-zh-en-ja-ko-yue-2024-07-17
2. 下载以下两个文件：
   • model.int8.onnx — 量化后的 ONNX 模型文件（约 76MB）
   • tokens.txt — 词元表文件
3. 将文件保存到本地任意目录，在应用 配置 页面中分别设置 模型路径 和 词表路径 指向这两个文件即可。

使用说明

快捷键

功能	快捷键
语音输入	长按 CapsLock 超过 1 秒（可自定义）
使用说明	F1
重启应用	Ctrl+R
退出应用	Ctrl+Q

CapsLock 工作模式

• 短按（< 1 秒）：正常切换大小写锁定
• 长按（> 1 秒）：触发语音输入模式，开始录音
• 松开快捷键：停止录音 → 自动识别 → 文字注入目标应用

语音输入流程

1. 在 配置 页面中设置正确的 STT 模型路径并保存
2. 设置语音输入快捷键（默认长按 CapsLock）
3. 将光标定位到需要输入文字的目标应用（如微信、Word、浏览器等）
4. 长按快捷键开始说话，说完后松开
5. 识别的文字将自动输入到目标应用中

文件转写流程

1. 切换到 音频文件转写 标签页
2. 点击 选择文件 选择音频文件，支持拖放
3. 点击 开始转写，等待处理完成
4. 点击 复制结果 复制到剪贴板，或 导出结果 保存为文件

系统托盘

关闭主窗口时程序最小化到系统托盘，托盘图标菜单支持：

• 显示主窗口：恢复主窗口显示
• 重启：重启应用程序
• 退出：完全退出程序
• 双击托盘图标可快速显示主窗口

状态栏

底部状态栏右侧显示 STT 模型加载状态：

• 模型已就绪 — 模型加载成功，可以正常使用
• 模型路径未设置 — 请在配置页面设置模型路径
• 模型加载失败 — 模型文件路径错误或文件损坏

项目结构

impress_voice_input/
├── CMakeLists.txt              # 构建配置
├── LICENSE                     # GNU GPLv3 授权文件
├── README.md                   # 项目说明
├── build-linux.sh              # Linux 构建脚本
├── build-win.sh                # Windows 交叉编译 + 打包脚本
├── cmake/                      # CMake 模块
│   └── dependencies.cmake      # 依赖查找
├── src/
│   ├── main.cpp                # 入口
│   ├── app/                    # 应用层 (Application, ConfigManager)
│   ├── core/                   # 核心 (SenseVoiceEngine, AudioProcessor, VoiceInputService)
│   ├── 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 (Fusion / Windows 原生风格)
推理引擎	ONNX Runtime (C++ API)
语音模型	SenseVoice Small
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/          (Linux)
├── onnxruntime-win-x64/  (Windows 交叉编译)
├── portaudio/
│   ├── include/
│   └── lib/
└── dr_libs/
    ├── dr_wav.h
    ├── dr_mp3.h
    └── dr_flac.h

Linux 编译

./build-linux.sh --release
# 可执行文件: build_linux/impress_voice_input

Windows 交叉编译

./build-win.sh --release
# 输出: build_win/dist_win/ (可直接运行的目录)
#       dist/impress_voice_input_windows.zip (发布压缩包)

手动编译

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

命令行参数

# 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

# 指定日志目录
./impress_voice_input --log-dir /path/to/logs

常见问题

Q: 语音输入没有反应？ A: 请确认：① 模型已加载（状态栏显示"模型已就绪"）；② 已设置语音快捷键；③ 麦克风正常工作。

Q: 识别文字没有输入到目标应用？ A: 某些应用可能拦截模拟按键输入，请尝试在管理员权限下运行本程序。

Q: 识别速度慢？ A: 在配置中增大 ONNX 线程数，或使用 GPU 版本的 ONNX Runtime。

Q: CapsLock 短按不起作用？ A: 请确保按键时间小于 1 秒，超过 1 秒会触发语音输入模式。

当前状态

• 项目结构与 CMake 配置
• 配置管理模块 (线程安全，自动持久化)
• SenseVoice 完整推理 (Fbank → LFR → CMVN → ONNX → CTC 解码)
• Mel 频谱图提取 (Hann 窗 + FFT + Mel 滤波器组)
• Whisper 推理 (自回归解码 + 流式识别)
• 音频采集/解码 (PortAudio/dr_libs)
• 音频重采样 (非 16kHz 自动处理)
• 语音活动检测 (VAD)
• 三个 GUI 页面 (实时识别 / 文件转写 / 配置)
• 批量文件转写 + 结果导出 (TXT / SRT / JSON)
• 日志系统 (控制台 + 文件)
• Windows 全局快捷键 (CapsLock 长按)
• Linux Wayland/X11 快捷键 + 文本注入
• 系统托盘 + 主题切换 (深色/浅色)
• 跨平台打包
• 单元测试完善
• macOS 支持

License

GNU General Public License v3.0 — 详见 LICENSE 文件。