环境：Arch Linux + KDE Plasma（Wayland）+ PipeWire 1.6.8 ｜ Ryzen 5 7500F ｜ RTX 4070 SUPER ｜ ALC897 模拟麦
目标：按住热键说话 → 本地识别 → 文本直接落到光标处（复刻 macOS 上 VoxCode 的工作流）
结果：voxtype 1.0.1（Whisper large-v3-turbo + Vulkan）+ PipeWire 110Hz 高通降噪 + DeepSeek 后处理，中文可用，口述到上屏 1 秒内
1. 起因：VoxCode 只有 macOS 版
想要的东西很具体：选中代码 → 按住热键口述 → 松开后把「文件#行号 + 转录文本」粘到光标处，给 Claude Code / Codex 这类终端 agent 用。
找到的工具是 VoxCode（作者是 WunderGraph 的 CEO），思路很讨喜——不做 IDE 插件，只做两件事：本地语音转文字 + ripgrep 式代码定位，粘贴 src/foo.rs#L49-57 这样的引用。但翻源码后发现它是 macOS 独占：
hotkey.rs/paste.rs是纯 CoreGraphics FFI，没有任何cfg降级路径；window_ext.rs用 objc2 + NSSound，editor_context.rs走 Accessibility API；notify开了macos_fsevent，ONNX Runtime 只加载.dylib；- 没有 GitHub Release、没有 AUR/Flathub/npm 包，最后提交停在 2026-04。
MULTIPLATFORM.md 里作者自己写了移植指南，并把 Wayland 标为「hard」——全局热键、按键注入、窗口管理都没有标准 API。也就是说，想在 Linux 上用，等于自己写一份平台层。
于是换思路：用 Linux 原生的等价物。选型落到 voxtype（1.4k★，Rust，AUR 由作者本人维护）：同样是「按住说话 → 本地识别 → 注入到光标」，支持 7 种引擎（Whisper / Parakeet / SenseVoice / Paraformer / Dolphin / Omnilingual / Cohere）、Vulkan/CUDA 加速、Wayland/X11 都能用。
2. 安装：AUR 预编译 + GPU 变体
# voxtype 预编译包（含 avx2/avx512/vulkan/onnx-cuda/migraphx 多种变体）
yay -S voxtype-bin
# 注入后端：dotool 用于「type 模式」，ydotool 用于「paste 模式」的粘贴按键
yay -S dotool && sudo pacman -S ydotool gtk4-layer-shell alsa-utils
# 切到 Vulkan 变体（NVIDIA/AMD/Intel 通用）
sudo voxtype setup gpu --enable
# 下载多语言模型（1.6G）
voxtype setup --download --model large-v3-turbo
装完确认 GPU 生效：
ggml_vulkan: 0 = NVIDIA GeForce RTX 4070 SUPER | fp16: 1 | matrix cores: KHR_coopmat
whisper_model_load: Vulkan0 total size = 1623.92 MB
实测速度：5.5 秒中文语音 0.39s 出结果，JFK 11 秒英文样本算上模型加载 2.86s。
3. KDE Wayland 上的四个坑
这部分是真正花时间的，逐条记下来。
3.1 evdev 热键读不到输入设备（系统服务里）
voxtype 的默认方案是 evdev 内核级热键（不依赖合成器，任何场景都能触发）。现象是：配置里 [hotkey] enabled = true、key = "SCROLLLOCK"，但按下去毫无反应。
定位：
pid=$(systemctl --user show voxtype -p MainPID --value)
awk '/^Groups/{print $2}' /proc/$pid/status # 只有 958
id -G # 当前 shell 里有 994(input)
原因：systemd --user 管理器是登录时启动的，早于我把自己加进 input 组，所以它带着旧组集合，服务进程自然读不了 /dev/input/event*（权限 root:input 660）。
一般做法是「重新登录」让用户管理器拿到新组。但有个更快的办法——给活动会话用户直接发 ACL：
# /etc/udev/rules.d/60-input-uaccess.rules
SUBSYSTEM=="input", TAG+="uaccess"
sudo udevadm control --reload && sudo udevadm trigger --subsystem-match=input --action=change
getfacl -p /dev/input/event6 | grep user:chen # 出现 user:chen:rw- 即生效
这也是 Fedora 等发行版对输入设备的默认处理方式，改完立即生效，不用注销。
3.2 注入的按键被输入法吞掉 / dotool 打不出中文
KDE 上 wtype 基本没用（KWin 不实现虚拟键盘协议），社区推荐 dotool（uinput 注入）或 ydotool。但实测有两个叠加问题：
- 我平时开着 fcitx5（双拼）。
fcitx5-remote返回2（激活态）时，注入的 ASCII 会被输入法收进候选窗，应用一个字都收不到——这就是为什么最初几次「注入测试」全部失败。 dotool是按布局映射键码的，天生打不出中文：
$ printf 'type 你好世界\n' | dotool
dotool: WARNING: impossible character for layout: 你
结论：中文口述不要用 type 模式，用 paste 模式——先把转录写进剪贴板，再模拟 Ctrl+V：
[output]
mode = "paste"
driver_order = ["dotool", "clipboard"]
注意 1.0.1 的粘贴按键硬编码 Ctrl+V（paste_keys 是 1.1 才有的配置项）。所以往终端（Konsole 等）里口述时它不会自动粘贴——终端的粘贴是 Ctrl+Shift+V。两个选择：要么把模式切成 clipboard（转录进剪贴板，自己按 Ctrl+Shift+V），要么在 Konsole 里把 Paste 快捷键改成 Ctrl+V。
3.3 voxtype 会主动忽略「自家」虚拟键盘
调试时我用 dotool 注入热键来测通路，日志里一直刷：
DEBUG Skipping virtual injection keyboard: Some("dotool keyboard")
这是防自触发的设计——voxtype 不监听名字含 dotool keyboard 的注入设备，免得自己打出来的字又触发录音。知道这点后，测试时给虚拟键盘换个名字即可：
{ printf 'keydown k:100\n'; sleep 2; printf 'keyup k:100\n'; } | \
DOTOOL_KEYBOARD_NAME="External Test Keyboard" dotool
3.4 采集源不是麦克风，而是 HDMI 监视器
最诡异的一个：录音总是「有声音但内容是静音」，Whisper 于是开始幻觉，输出 Thank you. 这类短句。
查当时所有采集流：
pactl list source-outputs | awk '/Source: [0-9]+/{s=$2} /application.name =/{print s, $3}'
# 结果：voxtype 挂在 2218 —— 那是 HDMI 输出的 monitor，不是麦克风
根因是 PipeWire 的按应用路由残留（module-stream-restore 记住了这个客户端之前的目标设备）。修法：给 voxtype 一个专属的 ALSA PCM，让它以新的客户端名出现，并在配置里显式指定：
# ~/.asoundrc
pcm.vxclean {
type pipewire
capture_node "clean_mic" # 指向下面第 5 节的降噪虚拟源
hint { show on description "Voxtype 降噪输入" }
}
voxtype config set audio.device vxclean
4. 底噪诊断：85% 的能量在 50Hz 以下
之前隐约觉得「底噪大」，但一直没量化。这次录了 16 秒环境噪声做频谱分析，结果很反直觉：
| 频段 | 能量占比 |
|---|---|
| 0–50 Hz | 85.5% |
| 50–120 Hz | 10.8% |
| 120–300 Hz | 2.8% |
| 300–1000 Hz | 0.6% |
| 1000–3000 Hz | 0.2% |
| 3000–8000 Hz | 0.1% |
最强频点在 48–51 Hz（工频嗡声 + 次声轰鸣）。也就是说，所谓的「底噪」根本不是嘶嘶声，而是低频能量。
更要命的是电平：环境噪声整体 RMS −15.3 dBFS，峰值 −0.3 dBFS——采集链几乎在削顶。查 ALSA 增益：
$ amixer -c 1 sget "Capture" | tail -2
Front Left: Capture 63 [100%] [30.00dB] [on]
$ amixer -c 1 sget "Rear Mic Boost" | tail -2
Front Left: [100%] [30.00dB]
+30dB 采集增益叠加 +30dB Mic Boost，总共 +60 dB。低频轰鸣把 ADC 的动态余量吃干净了，语音（300–3400Hz）只剩很小的一点。
5. 降噪：RNNoise 实测翻车，改用高通
第一反应是上神经网络降噪，noise-suppression-for-voice（RNNoise）在官方源里，装起来也简单。但在这套 PipeWire 1.6.8 上，它会连人声一起削掉：
| 配置 | JFK 语音转写结果 | 输出电平 |
|---|---|---|
| 仅高通 110Hz（无 RNNoise） | ✅ 正确 | −20.7 dBFS |
| 高通 + RNNoise（VAD 0%） | ❌ um |
−62.1 dBFS |
| 高通 + RNNoise（VAD 25%） | ❌ yep |
−53.2 dBFS |
| 高通 + RNNoise（VAD 50%） | ❌ oh |
−56.4 dBFS |
LADSPA 和 LV2（https://github.com/werman/noise-suppression-for-voice#mono）两种插件都试了，阈值怎么调都是把人声当噪声处理。既然噪声能量 96% 在 120Hz 以下，而语音基本在 300Hz 以上，那用滤波器就够了——PipeWire 内置的 bq_highpass 就够使：
# ~/.config/pipewire/pipewire.conf.d/99-clean-mic.conf
context.modules = [
{ name = libpipewire-module-filter-chain
args = {
node.description = "降噪麦克风 (高通 110Hz)"
filter.graph = {
nodes = [
{
type = builtin
name = hp
label = bq_highpass
control = { "Freq" = 110.0 "Q" = 0.707 }
}
]
}
capture.props = {
node.name = "capture.clean_mic"
node.passive = true
target.object = "alsa_input.pci-0000_0d_00.6.analog-stereo"
}
playback.props = {
node.name = "clean_mic"
node.description = "降噪麦克风 (高通 110Hz)"
media.class = "Audio/Source"
}
}
}
]
改完 systemctl --user restart pipewire pipewire-pulse，实测对比：
| 指标 | 原始麦克风 | 经高通 |
|---|---|---|
| 整体 RMS | −16.6 dBFS | −33.3 dBFS |
| 峰值 | −0.0 dBFS（削顶） | −13.1 dBFS（健康） |
| <50 Hz | 基准 | −24.6 dB |
| 50–120 Hz | 基准 | −14.7 dB |
| 300–3400 Hz（语音带） | 基准 | −5.6 dB（这段本来也几乎全是低频尾巴） |
关键是峰值回来了：从「贴着 0 dBFS」回到 −13 dBFS，语音终于有了动态余量。而语音保真没问题——同一段 JFK 样本经这条链转写依然完全正确。
6. 别影响打游戏：路由隔离
折腾完最容易忽略的是「别的应用怎么办」。我把系统默认输入改回了原始麦克风，只让 voxtype 走降噪源：
| 使用方 | 采集源 | 说明 |
|---|---|---|
| 游戏语音 / 微信 / Discord / 浏览器 | 原始麦克风 | 与装 voxtype 之前完全一致 |
| voxtype 口述 | clean_mic（高通虚拟源） |
只有这条路径降噪 |
实测并发：voxtype 录音（源 43）的同时，另一个客户端从原始麦克风（源 69）采集同样正常拿到数据。空闲时两个节点都是 SUSPENDED——滤波链是 node.passive，只有 voxtype 采集时才跑，一个二阶 biquad 的 CPU 开销可以忽略。
延迟方面：音频图周期 1024 帧 ≈ 21ms，滤波节点自报额外延迟为 0（同一图周期内处理）。
7. 后处理：用 DeepSeek 收尾（关掉思考模式）
Whisper 的原始转录经常带着口头禅、缺标点，专有名词也容易错。voxtype 支持把转录文本管道给外部命令：
[output.post_process]
command = "~/.local/bin/voxtype-postprocess" # 文本走 stdin → stdout
timeout_ms = 22000
两种落实方式：本地跑 ollama，或者调在线 API。我选在线（DeepSeek），并且显式关掉思考模式——校对这种任务不需要推理链，关掉后延迟从几秒降到 1 秒内：
curl https://api.deepseek.com/chat/completions \
-H "Authorization: Bearer $DEEPSEEK_API_KEY" -H "content-type: application/json" \
-d '{"model":"deepseek-flash",
"reasoning_effort":"none", # 关键：关闭思考
"temperature":0,
"messages":[{"role":"user","content":"..."}]}'
实测 deepseek-flash + reasoning_effort: "none"：三次调用 reasoning_content 长度均为 0，输出稳定，中文用例 0.77s、英文用例 1.32s。
脚本用标准库就好（urllib），要点是任何失败都原样返回原文，绝不吞字：
def main():
text = sys.stdin.read().strip()
if not text:
return
try:
out = call_deepseek(text) # 超时、网络错、返回空都抛/空
except Exception:
out = ""
print(out if out else text) # 兜底：原文
效果对比：
输入: 嗯 那个 帮我用 vox type 把 那个 阿里云 das 的 api 文档 更新一下 然后 就是 那个 codex 也得 加进去
输出: 帮我用 VoxType 把阿里云 DAS 的 API 文档更新一下，然后 Codex 也得加进去。
输入: So uh I think we should use the Wunder Graph super graph instead of the old BFF and um ship it on Friday
输出: So I think we should use the WunderGraph supergraph instead of the old BFF and ship it on Friday.
守护进程日志确认整条链路：
INFO Post-processing enabled: command="…/voxtype-postprocess", timeout=22000ms
INFO Transcribed: "…the old BFF and um ship it on Friday."
INFO Post-processing, has_context: false
DEBUG Post-processed (97 -> 97 chars) # 耗时 0.78s
一个诚实的局限：它不认识你的私有术语。实测 ASR 把 WunderGraph 听成 WonderGraph，DeepSeek 不会自动纠正（它不知道这是品牌名）。两个补法：把词表写进后处理脚本的 system prompt，或者用 voxtype 自己的硬替换：
[text]
replacements = { "wondergraph" = "WunderGraph", "vox type" = "voxtype" } # 大小写不敏感
[whisper]
initial_prompt = "Voxtype, WunderGraph, Parakeet TDT, ONNX Runtime" # 识别期偏置
initial_prompt 是「软偏置」（提高首次识别正确率，实测能把 VoxType/WonderGraph 纠正成 Voxtype/WunderGraff），replacements 是「硬兜底」（出现即替换）。两者配合最稳。
8. 配置速查
# ~/.config/voxtype/config.toml 摘要
[hotkey]
key = "RIGHTALT" # 按住右 Alt 说话，松开转写
enabled = true
[audio]
device = "vxhush" # 指向 §9 的 HUSH 虚拟麦克风（不占 GPU 的降级链见 §5）
[whisper]
model = "large-v3-turbo"
language = "auto"
flash_attention = true
[output]
mode = "paste" # 剪贴板 + Ctrl+V（终端要 Ctrl+Shift+V）
driver_order = ["dotool", "clipboard"]
[output.post_process]
command = "~/.local/bin/voxtype-postprocess"
timeout_ms = 22000
[vad]
enabled = true # 纯静音/噪声不送识别，防幻觉文本
另外几个值得知道但没开的：[meeting] 会议模式自带 GTCRN 神经增强（去背景噪 + 去扬声器串音 + 说话人分离），[audio] pause_media 可在录音时自动暂停播放器，[profiles.*] 可按场景套不同后处理（voxtype record start --profile slack）。
热键也可以不用 evdev，改成 KDE 自定义快捷键调 voxtype record toggle（此时把 [hotkey] enabled 设为 false）。对打游戏的人来说这点重要：右 Alt 在很多游戏里有功能，误按会开始录音、松开还会把文本 Ctrl+V 到前台窗口——要么换键，要么玩之前 systemctl --user stop voxtype。
9. 最终方案：把 NVIDIA Maxine 跑起来（HUSH）
第 4、5 节走到最后会卡在一个地方：剩下的嘶声是空气传播的环境噪声——把麦克风用手罩住，300 Hz–8 kHz 立刻掉 8–17 dB；而它就落在语音带里，任何 EQ 都会连人声一起削。NVIDIA Broadcast / RTX Voice 官方没有 Linux 版，但社区把 Maxine 的 Audio Effects SDK 包成了 HUSH，直接把清理后的信号注册成一个叫 HUSH 的虚拟麦克风。
安装
yay -S hush-mic-bin # 预编译版
两个坑：
**
libxdo.so.3**：预编译的 GUI 按 3.x 的 soname 链接，而 Arch 早就是libxdo.so.4。给自己目录做个兼容 shim（不要动系统库）：mkdir -p ~/.local/lib/hush-compat ln -sf /usr/lib/libxdo.so.4 ~/.local/lib/hush-compat/libxdo.so.3运行时约 3.6 GB：
hushd依赖 TensorRT 10 + CUDA 12 + AFX 库，这些不在包里，由 GUI 首次启动时自动下载（实测压缩包870 MB，解到 `/.local/share/hush/sdk/2.1.0/，含libnvinfer、libnv_audiofx、denoiser` 模型）。所以第一次必须让 GUI 跑一次。
让引擎脱离 GUI 自启
GUI 拉起 hushd 后会传一个 LD_LIBRARY_PATH（里面就是上面那个 sdk 目录）。把它抄成 systemd 用户服务，之后就不再依赖 GUI：
# ~/.config/systemd/user/hushd.service
[Unit]
Description=NVIDIA Maxine AI 降噪引擎 (HUSH)
After=pipewire.service
[Service]
Type=simple
Environment=LD_LIBRARY_PATH=%h/.local/share/hush/sdk/2.1.0/nvafx/lib:%h/.local/share/hush/sdk/2.1.0/external/cuda/lib:%h/.local/share/hush/sdk/2.1.0/features/denoiser/lib:%h/.local/lib/hush-compat
ExecStart=/usr/bin/hushd
Restart=on-failure
[Install]
WantedBy=graphical-session.target
systemctl --user enable --now hushd
pactl list short sources | grep HUSH # 出现名为 HUSH 的虚拟输入源
实测效果
静音 8 秒（同一时刻分别录原始麦克风与 HUSH 输出）：
| 指标 | 原始麦克风 | 经 HUSH | 降噪量 |
|---|---|---|---|
| RMS | −18.5 dBFS | −75.9 dBFS | −57.5 dB |
| 峰值 | 0.0 dBFS | −57.2 dBFS | — |
| 20–120 Hz | 69.6 | 8.3 | −61.3 dB |
| 300 Hz–1 kHz | 55.6 | 5.1 | −50.5 dB |
| 3–8 kHz（嘶声） | 46.2 | 1.7 | −44.4 dB |
也就是说：不说话的时候，电平表真的归零了（之前那套滤波只能压掉低频，中高频的环境噪声一直在）。
语音保真的一组对照：用扬声器放英文语音、同时本人说中文，原始麦克风把两者一起录进去（转写出来是混合的乱码），HUSH 的输出里音箱内容被压掉、只留下本人的说话，正常转写为中文——近场人声保留、远场/混响抑制，符合它对”语音增强”的定义。
代价：引擎常驻占 808 MiB 显存（TensorRT 模型），空闲时 GPU 利用率个位数。不想要 AI 或想省显存时，直接停服务即可（配了个 hush-ctl toggle 小脚本挂进应用菜单）。
接线：谁用降噪
pactl set-default-source HUSH # 让所有应用都用 AI 降噪
pactl set-default-source alsa_input.pci-0000_0d_00.6.analog-stereo # 切回硬件麦克风
- 我可以按需切换：会议/录音/游戏语音选
HUSH，其余场景保持硬件麦克风； - 第 5 节那条”高通 ×2 + 工频陷波”的链我保留着，作为不占 GPU 的降级方案（
clean_mic）； - 语音输入（voxtype）固定接
HUSH，不受系统默认输入切换影响。
一点反思
从”装个语音输入”一路折腾到”在 Linux 上跑起 Maxine”，真正解决问题的不是更复杂的算法，而是先把问题量化：
- 频谱分析 → 发现 85% 能量在 50 Hz 以下（工频+结构传导轰鸣）→ 用高通解决；
- 增益扫描 → 发现采集一直在削顶（静音时 19.2 万采样里 8.5 万个贴顶）→ 降 16 dB 增益解决；
- 捂住麦克风 → 把剩下的噪声定性为空气噪声 → 才轮到 AI 降噪登场。
顺序反过来（一上来就上神经网络降噪）不仅贵，还可能像 RNNoise 那样直接把人声一起削掉——第 5 节的四组对照就是这么翻车的。
10. 小结：这次踩的坑
- macOS 独占工具在 Linux 上没有捷径：VoxCode 的核心是 CGEventTap + Accessibility，Wayland 下等于重写平台层，直接换等价工具更快。
- 系统服务的组权限会过期：
systemd --user在你加组之前启动，服务进程拿不到新组；udev的TAG+="uaccess"比重新登录更快。 - 中文场景别用按键注入：fcitx5 会吞掉注入的 ASCII，dotool 也打不出中文——剪贴板粘贴是唯一稳的路径。
- 先量化再优化：以为的「底噪」其实是次声+工频，削顶比噪声更致命；不测频谱就会在错的方向上折腾。
- 神经降噪不总是更好：RNNoise 在这种链路上直接把人声削没了，简单的高通反而解决问题。
- 隔离路由：把降噪源做成独立虚拟输入，系统默认保持原样，其它应用（游戏语音）零影响。
折腾到这里，口述到上屏不到一秒、中文识别可用、私有术语能兜底、游戏语音不受影响——够用了。下一步大概是把术语表接进后处理 prompt，以及试试 SenseVoice/Paraformer 这两个中文向的 ONNX 引擎。