豆包流式语音识别(火山引擎)+ omarchy-doubao未实测🇨🇳 中文

Linux 上没有豆包输入法,坚叔把豆包的流式语音识别接进 Omarchy:按住 F9 说话,屏幕底部实时出字,松开约 1 秒上屏;也可以交给 Claude Code 按 AGENTS.md 安装

开发者坚叔(@Jacksonlin945)日常用 DHH 的 Omarchy(Arch + Hyprland)桌面,但豆包输入法没有 Linux 版。他没有装输入法本体,而是直接调用火山引擎开放的「豆包流式语音识别大模型」API,写了一个常驻 Python 服务 doubao-dictate:按住 F9 边录边发、悬浮条显示实时字幕,松开后服务端二遍识别,再经剪贴板粘贴到光标处。v0.2 已开源(MIT),README 和 AGENTS.md 写明了让 Claude Code / Codex 代装的流程。他自述 17 秒长句松开后出字从 v0.1 的 2.5 秒以上降到 0.7–1 秒。我们没有 Omarchy 机器和火山引擎凭据,只读了代码、做了语法检查。

访问官网 豆包流式语音识别(火山引擎)+ omarchy-doubao ↗
定价
付费
地区
国内
出自哪里
中文社区
上架日期
2026 年 10 月 24 日
用的版本
omarchy-doubao v0.2.0, main @ 5cf4ca1 (2026-10-22); Doubao streaming ASR model 2.0 (volc.seedasr.sauc.duration)
分类
效率办公音频音乐
原作者
Jackson|坚叔 @Jacksonlin945 ↗
我们实测
未实测
成本 / 耗时
项目代码免费(MIT)。识别走火山引擎「豆包流式语音识别模型 2.0」,按时长计费,作者说个人听写用量很小,具体单价以控制台为准。需要火山引擎账号(国内实名)。
来源
X @Jacksonlin945(长文:在 Omarchy 上用豆包语音输入 v0.2) ↗X @Jacksonlin945(v0.1 长文) ↗GitHub jacksonlin-infra/omarchy-doubao ↗

要解决的事

在 Linux 桌面(Omarchy / Hyprland)上获得和豆包输入法接近的中文语音输入:中英混说、自动标点、边说边出字,并且在终端、浏览器、Claude Code 输入框里都能用。

步骤

  1. 核心思路:不需要豆包输入法本体,只要它背后的识别引擎。火山引擎开放了「豆包流式语音识别大模型」API,本机不跑任何模型。
  2. 开通凭据:登录火山引擎「豆包语音」控制台,开通「豆包流式语音识别模型 2.0」,计费选「按时长」;新版控制台创建一个 API Key,老账号用 App ID + Access Token。
  3. 核对资源 ID:模型 2.0 按时长是 volc.seedasr.sauc.duration(默认),1.0 是 volc.bigasr.sauc.duration,并发版把 .duration 换成 .concurrent。前缀写错握手就失败。
  4. 安装:git clone https://github.com/jacksonlin-infra/omarchy-doubao.git,进目录运行 ./install.sh --api-key '你的API Key'(旧版控制台用 --app-id + --access-token)。脚本会补装 wtype、wl-clipboard、python-websockets、gtk4-layer-shell 等包,把凭据写进 ~/.config/doubao-dictate/doubao.env(权限 600),停用 Omarchy 自带的 Voxtype(不卸载),在 ~/.config/hypr/bindings.lua 末尾写一段带标记的 F9 / Super+Ctrl+X 绑定,启动用户服务并跑 ./check.sh。
  5. 或者交给编程 Agent:把下面「提示词」那句话连同仓库链接发给本机的 Claude Code / Codex,它按 AGENTS.md 操作,只会向你要凭据,以及在需要时让你自己在终端输一次 sudo 密码。AGENTS.md 明确要求 Agent 不编造、不回显、不提交凭据。
  6. 使用:按住 F9 说话、松开上屏;Super+Ctrl+X 按一下开始、再按一下结束,适合长段落(单次最长 300 秒)。说话时看底部悬浮条的实时字幕,松开后二遍识别会纠正其中的错字。
  7. 自检和排障:./check.sh 会真的连一次豆包做鉴权;./check.sh 录音.wav 用 16kHz 单声道 WAV 测整条识别链路;把 doubao.env 里的 DOUBAO_DEBUG 改成 1 后看 journalctl --user -u doubao-dictate -f,日志带每一步时间戳。
  8. 卸载:./uninstall.sh 删掉服务和那段快捷键配置并重新启用 Voxtype;加 --purge 连凭据一起删。

提示词

按照 https://github.com/jacksonlin-infra/omarchy-doubao 的 AGENTS.md,在这台 Omarchy 上把豆包语音输入装好并验证。

原文怎么说

作者说 v0.1(Voxtype + 转接服务,自述手搓约半小时)要等整段说完上传,松开后 2.5 秒以上才出字;v0.2 改用 bigmodel_async 双向流式接口并开启二遍识别,说话时悬浮条实时出字,17 秒长句松开后 0.7–1 秒出最终结果,准确率和整段上传一样。浏览器、终端、编辑器、Claude Code / Codex 输入框都能用。README 的演示 GIF 注明语音是 TTS 合成后经虚拟麦克风输入的。他说现在写文档、回消息、给 AI 写提示词基本都改成张嘴了。

我们实测

我们没有 Omarchy / Hyprland 桌面、麦克风和火山引擎凭据,没跑过实际听写,延迟数字是作者自述。只在测试机上克隆了仓库(main @ 5cf4ca1)并通读:bin/doubao-dictate(约 930 行,仅用 Python 标准库 + websockets/GTK)通过 py_compile,install.sh / check.sh / uninstall.sh 通过 bash -n;代码里默认端点确为 bigmodel_async、仅该端点开启 enable_nonstream,音频按 200ms 一包发送,上屏走 wl-copy + hyprctl sendshortcut 并在之后还原剪贴板,和文中描述一致。

怎么用上

原文是 X 长文(需登录);仓库 README 和 AGENTS.md 是中文,可直接看。需要火山引擎账号,一般要先完成实名认证。

适合谁

用 Omarchy 或其他 Arch + Hyprland 桌面、需要中文(含中英混说)语音输入的人,尤其是经常给 Claude Code / Codex 口述提示词的开发者。也可以当参考:用一个开放的云端 ASR API 给没有官方客户端的平台补上语音输入。

踩坑提示

  • 资源 ID 必须和开通的模型版本、计费方式对上,前缀错了握手直接报错(403 requested resource not granted)。
  • 三个流式端点只有 bigmodel_async 能用:.../sauc/bigmodel 对模型 2.0 按时长资源会报 400 resourceId ... is not allowed;bigmodel_nostream 只在说完后一次性返回,说话时没有字;也只有 bigmodel_async 支持二遍识别。
  • 别用 wtype 逐字输入中文:Omarchy 默认开着 fcitx5,部分汉字的键码被当成 Backspace / Tab,导致丢字,甚至让 opencode 自己从 Plan 切到 Build。作者改成经剪贴板粘贴(终端 Shift+Insert、其他程序 Ctrl+V),粘贴后还原原剪贴板文字;原剪贴板是图片时不会还原。
  • 「嗯」「这个」「那个」等口水词会保留,作者实测豆包的 DDC(语义顺滑)开关去不掉,计划下一版加大模型润色。
  • 从 v0.1 升级不能原地覆盖:要先用 v0.1 自己的卸载脚本(git show v0.1.0:uninstall.sh | bash -s -- --purge)卸掉,再重新给一次凭据。
  • 录音会发到火山引擎做识别(只在按住快捷键时录音);在海外使用时延迟取决于到 openspeech.bytedance.com 的网络,挂代理的话作者建议让这个域名直连。
  • Omarchy 3(bindings.conf)的快捷键写入作者没有实测;非 Omarchy 的 Hyprland 需要自己加三行绑定。早期 v0.1 长文里转接脚本还是占位链接,v0.2 已把完整代码放进仓库。

同类用例