Voice Input

Нативное local-first приложение для Windows: включите диктовку глобальной горячей клавишей — локальная расшифровка вставится в активное поле ввода.

Последний release  ·  Архитектура  ·  Приватность  ·  Проверка

v0.5.1  ·  CI  ·  Windows 10/11 x64  ·  MIT

Статус

Устанавливаемый local-first MVP. Полный путь реализован и проверен:

Ctrl+Shift+Space down
  → захват foreground HWND
  → WASAPI-запись в память
  → Ctrl+Shift+Space up
  → локальный GigaAM worker
  → direct native insertion или guarded clipboard paste в исходное окно

Комбинация Ctrl + Shift + K работает в toggle-режиме: первое нажатие начинает запись, второе завершает её. Если клавиатура поддерживает переназначение клавиш, удобную дополнительную кнопку можно настроить на это сочетание в программе её производителя.

Установщик включает self-contained .NET runtime, GigaAM и native ASR runtime: после установки распознавание не требует интернета. Установщик пока не подписан коммерческим сертификатом.

Что работает

• WPF tray-приложение без Electron и локального web-сервера;
• глобальная комбинация Ctrl + Shift + Space;
• toggle-комбинация Ctrl + Shift + K для записи без удержания клавиш;
• компактный overlay 200×64 с WS_EX_NOACTIVATE: «Слушаю» с живой линией микрофона и «Распознаю» с progress-анимацией, 85% Acrylic-подложкой и читаемым tint-only fallback;
• единый знак Voice Input для executable, системного tray и installer во всех Windows-размерах от 16 до 256 px;
• захват default microphone через WASAPI;
• преобразование в mono float32 PCM 16 kHz полностью в памяти;
• разбиение длинной записи на сегменты около 20 секунд по самым тихим окнам;
• GigaAM-v3 E2E RNNT Q4 через transcribe.cpp;
• отдельный ASR worker: падение native runtime не должно ронять tray-процесс;
• CPU backend по умолчанию — на тестовой машине он оказался быстрее встроенной AMD Vulkan-графики;
• автоматическая загрузка pinned runtime и модели с SHA-256-проверкой;
• защита от параллельных hotkey-сессий;
• защита от запуска второго экземпляра приложения;
• Esc отменяет активную диктовку и гарантированно отбрасывает поздний результат ASR;
• отмена вставки, если foreground window изменилось во время диктовки;
• прямая вставка в native Edit/RichEdit и clipboard fallback для Chromium/WPF-подобных контролов;
• буфер обмена восстанавливается после paste, но только если его не успел изменить пользователь или другое приложение;
• unit-тесты и отдельные Windows E2E harnesses для аудио, ASR и вставки.

Установка

1. Откройте последний GitHub Release.
2. Скачайте VoiceInput-Setup-0.5.1.exe.
3. Запустите установщик. Windows SmartScreen может показать предупреждение для неподписанного издателя.

Установщик рассчитан на Windows 10/11 x64, не требует прав администратора и по умолчанию добавляет Voice Input в автозапуск. Модель и runtime уже входят в пакет. Обычный запуск проходит тихо: приложение показывает системное уведомление только при ошибке, требующей внимания. Текущий статус и сочетания клавиш доступны в tray menu.

Запуск из исходников

Требования:

• Windows 10/11 x64;
• .NET 10 SDK;
• интернет при первом запуске.

dotnet run --project src/VoiceInput.App -c Release

Первый запуск загрузит примерно 200 MiB:

• transcribe.cpp CPU/Vulkan runtime 0.1.3;
• gigaam-v3-e2e-rnnt-Q4_K_M.gguf.

Файлы сохраняются в %LOCALAPPDATA%\VoiceInput. После подготовки модели распознавание работает офлайн.

Диктовка

1. Поставьте курсор в обычное поле ввода.
2. Удерживайте Ctrl + Shift + Space.
3. Говорите.
4. Отпустите клавиши.
5. Дождитесь локального распознавания и вставки.

Во время записи горизонтальная линия в overlay превращается в движущиеся полосы в такт речи. При тишине индикатор возвращается к ровной линии. На Windows 11 при доступных системных эффектах подложка мягко размывает содержимое за карточкой; Windows 10, High Contrast, отключённая прозрачность или недоступный compositor автоматически включают непрозрачный fallback.

Для записи без удержания клавиш:

1. Нажмите Ctrl + Shift + K, чтобы начать запись.
2. Говорите, не удерживая кнопку.
3. Нажмите Ctrl + Shift + K повторно, чтобы завершить запись и вставить текст.

Если клавиатура поддерживает переназначение клавиш, удобную дополнительную кнопку можно настроить на Ctrl + Shift + K в программе её производителя.

Нажмите Esc в любой момент активной диктовки, чтобы отменить её без вставки текста.

Завершение приложения — через пункт «Выход» в tray menu.

Проверка

dotnet format VoiceInput.sln --verify-no-changes --no-restore
dotnet build VoiceInput.sln -c Release
dotnet test VoiceInput.sln -c Release --no-build

Проверка реального default microphone без сохранения аудио:

dotnet run --project tests/VoiceInput.Audio.E2E -c Release

ASR E2E harness принимает пути к worker, runtime, модели и float32 PCM fixture. Он прогоняет production workflow record → segment → worker → transcript → insertion sink.

Приватность

• микрофонный звук хранится только в памяти текущей сессии;
• аудио не сохраняется на диск и не отправляется в сеть;
• модель и native runtime загружаются только при подготовке;
• история расшифровок не ведётся;
• отдельная диагностическая запись включается только через явную переменную VOICE_INPUT_DIAGNOSTIC_LOG и не содержит аудио или текста расшифровки.

Ограничения версии 0.5.1

• нет автообновления и code signing;
• используется default recording device — выбора микрофона в UI пока нет;
• нет отдельного UI Automation adapter для нестандартных защищённых контролов;
• elevated-приложения могут блокировать вставку из обычного процесса;
• горячие клавиши пока фиксированы и не переназначаются в интерфейсе приложения.

Документы

• Архитектурное видение
• Принципы знака Quiet Pulse
• Исследование локальных ASR-моделей
• Визуальная схема

Лицензия

MIT. Список используемых open-source компонентов: THIRD_PARTY_NOTICES.md.