关于 VoiceHub
一个让 Fcitx5 输入法学会「听你说话」的开源项目。
按住空格，开口说；松开空格，字自动出来。
市面上的语音输入方案大致分两类：
- 独立 App 型（如 Typeless）：体验好、识别准，但 iOS 上要跳 App，Android 上也不是真正的输入法集成。价格动辄 $12/月（≈¥86），而且闭源，数据和代码都不透明。
- 传统输入法内置（如搜狗、微信输入法）：免费，但功能堆砌、广告多、识别效果一般，上下文理解基本没有。
更重要的是，语音识别本身已经变了。
过去是「小模型」时代——像 Whisper，用 68 万小时音频训练，做的事就是「声音 → 文字」。 现在是「多模态大模型」时代——像 Qwen3.5-Omni，用 1 亿小时语音训练，原生理解音频和文字。 它同时理解音频和文字、知道世界、理解语境。你说「煮波」，它知道可能是「主播」而不是「主波」。
VoiceHub 选择了第三条路：在 Fcitx5 Android 这个开源输入法里，原生集成语音功能。
它是真正的输入法——按住空格键触发语音，松开自动转写。不跳 App，不弹窗口。 它上下文感知——知道你在微信还是写代码，自动匹配语境。 它开源——代码全公开，你随时可以看、改、自己部署。
VoiceHub 的订阅服务只是给「不想折腾」的人准备的。 如果你愿意花一点时间自己搭建后端，可以一分钱都不花—— 语音识别完全在你自己手里。
多模态大模型：用 1 亿小时语音训练，原生理解音频和文字。不是先转文字再理解——它同时「听」和「想」，识别准确率远超传统 ASR（如 Whisper 的 68 万小时训练）
OpenAI Whisper，68 万小时训练，成熟稳定，离线可用。因只做「音→字」映射，缺少语义理解，需要配合热词和上下文提示才能达到较好效果
OpenCode 语音转录服务，与 AI 编程工具配合使用
订阅服务存在的唯一理由：帮你省掉搭服务器、调模型、维护环境的麻烦。 作者收的钱，本质上就是「帮你看管服务器」的辛苦费用 + 上游模型的 token 费。
VoiceHub 是 Fcitx5 Android 的 fork，遵循 LGPL-2.1 开源协议。所有源代码公开可审计—— 包括语音功能、后端通信、上下文采集的每一行代码。
VoiceHub 的最终目标是回馈 Fcitx5 上游。
现在的代码由 AI 辅助生成，风格、测试、架构都还需要打磨。但这不是终点。随着真实用户的持续使用和反馈，代码质量会不断迭代提升——直到有一天， 语音输入功能达到合并回 Fcitx5 Android 主仓库 的标准。
到那一天，Fcitx5 将不再只是一个键盘。它会成为全球第一个原生支持多模态大模型语音输入的开源输入法——不是装个插件，不是跳个 App， 而是从内核就为「说话输入」而设计。
这是我们对 Fcitx5 社区的回馈，也是 VoiceHub 存在的意义。
代码由 AI 辅助生成（俗称 Vibe Coding）。 语音输入、上下文感知、后端通信——几乎全部功能。 全部代码在 GitHub 上公开，你可以自己审查每一行。
它功能能用，作者天天在用。 但因为 AI 生成代码居多，代码风格、测试覆盖、架构一致性还在持续打磨中。
Bug 肯定有。遇到问题欢迎到 GitHub Issues 报 bug（暂不接受 PR，代码结构可能随时调整）。
VoiceHub 不保存你的语音和转录内容。音频在完成识别后立即丢弃，转录文本也不存储。服务端只记录调用次数（用量统计），不保留任何语音内容。
上游模型方面，VoiceHub 只选用承诺 ZDR（Zero Data Retention） 且不将用户数据用于模型训练的服务商。 你的语音在识别完成后，上游同样不会保留。
最彻底的保护：自己部署。如果你对任何云端服务都不放心，自己搭 Whisper 或 LALM 后端——语音数据从头到尾不出你的设备。