Linux 桌面上把中文「说」进去——按一下左 Alt 开始，说话，按 Enter 落字。
后端用 Groq 免费 tier 跑 whisper-large-v3，€0 成本。
一个 351 行 Python 单文件，把语音转成中文文字直接输入到当前光标处。
Linux 上没有 Win+H 那种现成的中文语音输入法，于是有了这个。
这部分照实记开发心路。如果你也在搓自己的中文语音输入法，可以直接抄解法。
第一次跑通后对着麦克风没说话，屏幕弹出「请大家点赞订阅」「字幕志愿者」「感谢观看」「music ♪」。Groq 的 whisper-large-v3 训练数据混了大量 YouTube 字幕，静音输入会触发幻觉。
解法：17 条幻觉黑名单（HALLUCINATION_PATTERNS）+ 双重过滤 is_hallucination() + clean_text()。
v1 是说完一整段才整段送 Groq。一段 30 秒中文要等 5-10 秒才出字。一边讲一边盯屏幕，体验比手打还累。
解法：webrtcvad（Google 开源 WebRTC 语音活动检测）按自然语气停顿（约 400ms 静音）切段，每段独立异步发 Groq、立刻吐字。从「录完才出文字」变成「边说边出」。见 do_record_and_stream()。
原快捷键 Ctrl+Alt+V，左手按 Ctrl+Alt，右手按 V。一天用 50+ 次，左手腕真的酸。
解法：左 Alt 单键 + 手写状态机。左 Alt 按下后期间只要碰过其他键就标 dirty，释放时 dirty=False 才触发——所以 Alt+Tab Alt+F4 等组合不会误触发。见 on_press / on_release。
3 个卡点里，原以为系统级快捷键最难改（快捷键不都是写死在 OS 里的吗？）。结果它最简单，写一个监听 + 状态机就完事。
评估难度的直觉，往往跟实际难度反着来。
sudo apt install xclip xdotool python3-pyaudio portaudio19-dev libnotify-binxclip/xdotool用于把识别文字粘贴到当前光标portaudio是 PyAudio 的底层依赖libnotify-bin用于桌面通知（可选）
pip install -r requirements.txtcp .env.example .env
# 编辑 .env，填入 GROQ_API_KEY免费 tier 申请：console.groq.com/keys （只需邮箱，无需信用卡）
每天 2000 次请求 / 每小时 7200 秒音频，远超个人副业用量。
export $(grep -v '^#' .env | xargs) # 加载环境变量
python3 voice-input.py按一下左 Alt → 说话 → 按 Enter 落字。
把上面命令包成 systemd user service 或 desktop autostart，省去每次手动启动。
左 Alt 单键按下 → 启动录音线程
→ pyaudio 16kHz 采样
→ webrtcvad 每 30ms 帧判断说话/静音
→ 检测到 ≥0.4s 连续静音 = 一段语音结束
→ 异步把这段发 Groq whisper-large-v3
→ 拿到文字 → 过 is_hallucination + clean_text 双重过滤
→ 通过 xclip + xdotool 粘贴到当前光标
按 Enter 或再按左 Alt → 停止录音
关键参数（voice-input.py:36-40）：
| 参数 | 默认 | 含义 |
|---|---|---|
VAD_AGGRESSIVENESS |
2 | 0-3，越高越不容易把噪音误判成语音 |
SILENCE_FRAMES |
13 | 连续 13 帧（0.4s）静音 = 一段结束 |
MIN_SPEECH_FRAMES |
34 | 短于 34 帧（1s）的语音段直接丢弃，过滤短脉冲 |
MAX_SPEECH_SECONDS |
15 | 单段最长 15 秒，超了强制切 |
- 太多噪音段被识别成 "music ♪"：
VAD_AGGRESSIVENESS调到 3，或MIN_SPEECH_FRAMES提到 50+ - 说话太快被切碎：
SILENCE_FRAMES调大到 17-20（但延迟会增加） - 想加快出字：
SILENCE_FRAMES调到 10（约 0.3s），代价是说话稍微停顿就被切 - 新增幻觉模式：往
HALLUCINATION_PATTERNS数组里加，长度 ≥20 字单条命中也会被过滤
Q：为什么不用本地 Whisper（whisper.cpp）？ A：Groq 推理速度比本机快 10-20 倍，且免费 tier 完全够日常用。本地跑 whisper-large-v3 在中端 CPU 上要 2-4 秒/段，Groq 0.3-0.5 秒。
Q：能识别中英文混合吗？
A：可以。代码里 prompt="以下是中英文混合的语音内容。"（voice-input.py:105）专门提示了模型，"打开 VS Code"「open VSCode」都识别得出。
Q：Wayland 能用吗？
A：当前用 xdotool + xclip（X11 工具），Wayland 需要换成 wtype + wl-copy，简单替换 type_text() 里的命令即可。
Q：Windows / macOS 能用吗？
A：核心识别逻辑（pyaudio + webrtcvad + Groq）跨平台，但 type_text() 和热键监听需要换：
- Windows：用 pyautogui 或 AutoHotkey
- macOS：用
osascript或pyobjc
- Groq 提供超快推理 + 慷慨免费 tier
- py-webrtcvad 把 Google WebRTC VAD 包成 Python 模块
- Claude Code 我没写过一行 Linux 系统编程，全程 AI 配合写出来的
「只有你想不到的，没有 Claude 做不到的。」
MIT。随便用、随便改、随便发。