6681 积分	0 好友	849 主题

发消息

Rust Tauri 2 开源语音输入工具 Voltip：crate 选型与几处取舍

发表于昨天 23:08 | 查看: 1| 回复: 0

Voltip 是我做的一个开源语音输入工具，目标场景是替代 Typeless 的日常听写。在任意软件里按住 Ctrl+Alt+Space 说话，松开后它会去掉口头禅，并保留说错改口后的最终说法，整理好的文字直接出现在光标处。

工具支持 Windows、macOS、Linux 和 Android，采用 AGPL-3.0 协议。识别既支持纯本地离线运行，也可以接 OpenAI、Groq、硅基流动、阿里云百炼或任意 OpenAI 兼容接口；Android 应用还能充当电脑的麦克风和键盘。核心逻辑和原生能力全在 Rust 里，这里记一下用到的 crate 和几处取舍，供做类似工具的朋友参考。

结构

项目是单个 Rust workspace，外加两个 Tauri 2 应用（桌面端和 Android 端），共用一套 React 界面。界面层只负责状态展示和命令下发，全局快捷键、音频采集、识别、文字插入、剪贴板读写以及加密连接等核心逻辑都落在 Rust 侧。依赖方向只允许向下：apps → core → {pairing, transport, identity} → {crypto, protocol}；中继 voltip-relay 只依赖 protocol，拿不到也不需要会话密钥。

Rust 到 webview 的通道按语义做了区分：离散的状态变化走事件总线，并折叠进一个 UiState；电平、进度这类连续流走 tauri::ipc::Channel，跟着发起它的 command 结束；事件总线不承载 30 Hz 以上的数据。

本地识别

transcribe-cpp：跑 Qwen3-ASR 的 GGUF 模型，ggml 源码用 cmake 构建、静态链接。macOS 开 metal feature，Windows / Linux 发布包开 vulkan feature，测试和 lint 的 gate 不开，因为要装 Vulkan SDK。Windows 包在 Linux 上用 cargo-xwin 交叉编译到 x86_64-pc-windows-msvc。
sherpa-onnx：跑 SenseVoice、Paraformer 和实时识别模型，用 shared feature 动态链接，不用 static：那组静态库会把 espeak-ng（GPL-3.0）链进来。
rubato：整段重采样到 16 kHz 再交给 transcribe.cpp，它只收 16 kHz。
模型下载支持断点续传，每个文件使用前校验 SHA-256。

音频

cpal：麦克风枚举和输入，覆盖 WASAPI / CoreAudio / ALSA / Android AAudio，电平计算是纯 DSP，可以脱离硬件测试。
rtrb：录音时音频回调往无锁的单生产者单消费者环形缓冲里推 16 kHz 单声道帧，解码线程取出；音频线程上不加锁、不分配内存。
sonora：WebRTC AEC3 的纯 Rust 移植，用在「麦克风 + 电脑声音」混合录音时消除扬声器回声。选它而不是 aec3，是按实测的消除效果和依赖比较结果决定的；纯 Rust 也省掉了各平台的 C 工具链。
opus-rs：libopus 1.6 的纯 Rust 移植，手机当麦克风时先压缩音频再传；Android 和 Windows 交叉编译都不用 C 工具链。

文字处理

aho-corasick：个人词典和字面替换规则的多模式匹配，每个词条一个正确写法，加最多 10 个常被听错的写法。本来它也因为 regex 在依赖图里。
ferrous-opencc：简繁转换，字典在构建时编译进二进制，约 2.3 MB，不带日文表。
enigo + arboard：插入文字的办法是先把文字放进剪贴板，再模拟一次粘贴，最后把剪贴板原来的内容放回去。如果目标窗口以管理员身份运行等导致粘贴不进去，文字会留在剪贴板里，悬浮窗会说明原因，不会丢。

手机和电脑之间

snow：采用 Noise_XX_25519_ChaChaPoly_SHA256。配对时两端显示由握手哈希推出的安全码，人工核对一致才信任；已配对设备重逢时同样用 XX。
配对和连接的状态机写成 sans-IO：step(event) -> Vec<Action>，网络和时间由调用方注入，单元测试里能把超时、重放、频道被占这些路径走一遍。
设备之间只经中继连接，中继是 axum 的 WebSocket，只转发密文；协议帧用 ciborium（CBOR）编码，中继的控制帧是 JSON，方便排障。

其他

axum：除了中继，还提供 OpenAI 兼容的本机语音服务 /v1/audio/transcriptions。无头的 voltip-server 可以在没有桌面的 Linux 上跑同一套识别、词典和预设。
rmcp：本机 MCP 服务，让 Claude Code、Codex 读取替换汇总、帮忙整理词典；它新建的规则要用户确认后才生效。
keyring：服务商密钥和设备私钥存进系统钥匙串；rusqlite（bundled）存历史记录。
依赖全部用 = 锁定确切版本；Rust 行覆盖率门是 90%，使用 cargo llvm-cov。