我对着电脑说了一段中文，屏幕上打出来的是 “Thank you very much.”

这是在 Omarchy（Arch + Hyprland）上装 Voxtype 的第一个结果。Voxtype 是个按键说话、再按出字的语音输入工具，默认配的是 Whisper 的 base.en——一个只认英文的模型。你说中文，它不报错，而是很自信地给你一句英文。

如果你也想在 Linux 上要一个不联网的中文听写，下面四个坑可以直接绕过去。

坑一：别拿 Whisper 硬扛中文

第一反应是换多语言版 Whisper。能用，但在没有 GPU 加速的笔记本上很慢：base.en 转 5 秒音频要 5 秒左右，换更大的多语言模型只会更慢。

最后换成了阿里开源的 SenseVoice-small。同一台机器，纯 CPU：

• 4 秒音频，0.09 秒出字
• 7 秒音频，0.20 秒出字
• 中英混说能认，标点自动加

按每秒音频算，比 Whisper 快了三十多倍。

有个前提：Voxtype 默认装的是 Whisper 版二进制，要先跑一次 sudo voxtype setup onnx --enable 切到 ONNX 版，SenseVoice 才加载得起来。

坑二：我说的话会不会传给阿里？

不会。SenseVoice 是开源模型，下载下来就是本地一个 229MB 的目录（int8 量化的 onnx 文件加一份词表），由 ONNX Runtime 在本机跑。我查过守护进程，没有任何网络连接。0.2 秒的延迟本身也是证据——去服务器走一趟都不止这个数。

开源模型和云服务是两回事。模型是谁家的不重要，跑在哪才重要。

坑三：语言设成自动，会冒出 “I.”

auto 模式下，没说话或者开头太安静，它会猜成英文，吐出一个 “I.” 或者 “.”。主要说中文就直接锁 zh，中英混说里的英文单词照样认得出来。

坑四：按键”没反应”，其实是没按到

两个原因叠在一起：

1. 单次录音默认上限 60 秒。说长了它自己停下出字，你再按一下等于开了新的一段，看起来像按键失灵。改成 600 秒就好。
2. Framework 笔记本的 F1–F12 默认是多媒体键，按 F9 发出去的是”切换显示器”，不是 F9。得按 Fn+F9，或者 Fn+Esc 锁成功能键。

最后我把它绑在 F1：Fn 和 F1 都在左手边，一只手就能按。

一句话

本地语音输入，别从模型排行榜挑，从你说的语言挑。中文就用 SenseVoice：快，准，不出门。

你现在主要靠什么输入中文，键盘还是语音？

#语音输入 #开源AI #Linux