Voxera
面向桌面与编码 Agent 的语音输入
按下一个全局热键，说话，文字落在你原本正在输入的那个地方 —— 编辑器、终端、写给编码 Agent 的提示框。识别交给本地引擎，或者交给你自己配置的云端引擎；投递交给当前获得焦点的输入框，或者交给一个只监听 127.0.0.1 的桥。
这一页没有下载链接
项目处于早期阶段，里程碑 M0（基础设施）正在进行中：还没有发布版本，也还没有公开仓库 —— 仓库地址与可见性尚未确定。所以这一页不给版本号、不给安装命令，也不放一个点不动的按钮。它记录的是设计决定：边界为什么切在这里，什么数据在什么模式下离开这台机器，以及为什么它刻意不去做另外三件看起来很像的事。
- 工作区里的各个库、一个无界面 CLI（列出引擎、跑分阶段基准、单独跑文本后处理规则），以及仓库自身的检查脚本。
- 桌面端界面与打包链路的代码存在，但仓库尚未公开，也没有产生过任何可安装的发布制品。
- 路线图上的东西不当成已有功能介绍。手机作为局域网瘦麦克风接入是已经设计好的形态，不是今天能用的功能。
三步，一条直线
没有唤醒词，没有对话轮次，没有等你确认的中间态。一次听写从按键开始，到文字落地结束。
采集
一个全局热键，在桌面会话的任何位置都能按。采集与静音检测由 CPAL 拿设备、VAD 切出真正在说话的那一段。
识别
交给本地离线引擎（sherpa-onnx 跑磁盘上的模型），或者交给你自己配置的云端引擎。两条都是一等路径 —— 本地不是云端不可用时的降级方案。
投递
文本落进当前获得焦点的输入框，或者交给一个只监听 127.0.0.1 的 Agent 桥。替换规则与热词在落地之前就已生效。
它刻意不做的三件事
看到"语音输入"，多数人会先想到下面三样中的一样。Voxera 都不是。这不是功能没做完，是边界画在了别处 —— 而每一条都有随之而来的代价。
不是语音助手
不听唤醒词，不解析意图，不代你执行任何动作。它把你说的话变成文字，然后放手。判断该拿这段文字做什么的，是你，或者是你交给它的那个 Agent。
不是会议记录工具
不常驻录音，不做说话人分离，不生成摘要。它一次处理的是一段你主动按键说出来的话 —— 长度以句子计，不以小时计。
不是系统输入法
它不把自己注册成任何平台的输入法：Android 上没有 InputMethodService，iOS 上没有键盘扩展，也不出现在系统的键盘与输入源列表里。它走的是普通应用就能用的合成输入与剪贴板路径。
最后一条不是措辞问题，是有代价的：只接受真实输入法的地方拿不到它的文字，Windows 上完整性级别高于 Voxera 的窗口就是最典型的例子。换来的是它不需要系统级的输入信任，也不接管你原本的中文输入体验。代价写在这里，不藏在文档末尾。
哪种模式下，什么东西离开了这台机器
Voxera 只在其中一种模式下真的不外传数据。把这件事讲清楚比讲得好听重要。下面三行只按"传输"这一个维度排列；当前处于哪种模式取决于你自己选的设置，并且在听写进行时界面上会显示出来。
本地识别
无
不发音频，不发转写文本，不发元数据。识别在 Voxera 进程内针对磁盘上的模型文件完成，模型装好之后这条路完全不需要网络，断网照样工作。唯一的一次网络操作是听写之前的模型下载，下载内容按编译进二进制的哈希校验。
云端识别
音频 + 模型 id + 你的凭据
发往你选定的那一家提供方 —— OpenAI、Groq、阿里云百炼、火山引擎，或者你自己填地址的 custom。若配了热词且该提供方支持偏置，热词列表会作为提示文本一起发出。这条路径上不存在任何由 Voxera 运营的服务器，也不存在把音频发给你未配置的提供方的模式。每家的数据留存政策以原文逐字引用的方式记在项目文档里，带来源 URL 与阅读日期。
LLM 润色（默认关闭）
转写文本，不含音频
规则链处理之后的文本，加上聊天模型 id 与凭据，发往你配置的那个 OpenAI 兼容 chat 端点。默认关闭 —— 默认值就是为此而设：它增加延迟，并且把文本送离本机。接收方是运营那个地址的人。
另外三条同属默认值的决定：历史记录默认关闭，开启后仅存本地，默认上限 500 条或 30 天先到者为准，被系统标记为安全的输入框里的内容根本不会落盘；Agent 桥只监听 127.0.0.1，不接受来自局域网的连接；凭据存在操作系统钥匙串里，配置文件里只留一个标签。
不是设置页里堆开关
会被反复用到的四样东西，都做成了你能自己写、自己读、自己关掉的形式。
- 自定义的文本替换链，在文字落地之前跑完。念出来是一串口语，落下去是你规定的那个写法 —— 项目名、函数名、内部缩写，不必每次手改。
- 一份你自己维护的词表。本地引擎用它做偏置；云端提供方若支持偏置，同一份词表作为提示文本一起发出。
- 默认关闭。开启后只写本地，有条数与天数双重上限，并且被系统标记为安全的输入框（密码框一类）里的内容根本不进这条路。
- 一个无界面 CLI：列出已配置且可解析的引擎、跑分阶段耗时、只跑文本后处理规则而不碰音频。结果走 stdout、诊断走 stderr、退出码可直接做分支 —— 其中 3 专指"前置条件缺失"，与 1（运行时失败）分开。
一个 Rust 工作区，边界由脚本守着
切分的依据不是"看起来整齐"，而是哪条依赖边一旦被越过，就会让某一端变重、变慢，或者知道了它不该知道的东西。
- voxera-audio
- 采集与静音检测。CPAL 拿设备，VAD 切出真正在说话的那一段。
- voxera-asr
- 识别引擎。本地路径用 sherpa-onnx 跑磁盘上的模型；云端路径是几家提供方各自的适配。
- voxera-pipeline
- 从一次按键到一段文字之间的编排：采集、识别、替换规则、热词、投递决策。
- voxera-bridge
- 本机桥。Axum 加 WebSocket，只监听 127.0.0.1；局域网侧另有 QUIC 与 mDNS，为已设计的手机伴侣形态准备。
- voxera-cli
- 无界面入口。在没有桌面环境的机器上验证整条流水线，也是 Agent 自动化的那一头。
- apps/
- 桌面端与移动端。平台集成分别落在 Windows API、macOS AppKit 与 X11 上。
手机侧不允许出现的依赖边写在架构文档里，并且由一个检查脚本守着 —— 越界是 CI 失败，不是 review 时的一句口头提醒。同理，本地识别引擎依赖的 sherpa-onnx 预编译库从一份提交在仓库里的 SHA-256 清单取得，构建时不会临时去网上抓。
技术栈
- Rust · Tauri 2 · React 19 · Vite · Tailwind 4
- CPAL · VAD · sherpa-onnx
- Axum · WebSocket · QUIC · mDNS · SQLite
- Windows API · macOS AppKit · X11
不一致的地方写在明面上
跨平台不等于处处一致。下面三条是已知的、不打算用措辞抹平的差异。
- Wayland 没有能同时给出按下与松开两个边沿的、跨合成器的全局快捷键协议，所以 Wayland 上没有"按住说话"，只有按一下开始、再按一下结束。这不是设置项，也不是本地能修的缺陷。
- UIPI 不允许中等完整性进程向高完整性窗口投送输入，Voxera 也不会为绕过它去申请提权。它给出一条点名 UIPI 的提示，并把文字留在历史与暂存区里，而不是静默失败。
- 基准的分阶段模式给的是诊断数据。端到端延迟要等交付层完成之后才有意义，在此之前它会明确拒绝给出数字，而不是返回一个看起来像结论的值。
应用本体与适配层分开
这两层被人使用的方式不一样：一个是你装在机器上的程序，一个是你抄进自己 Agent 配置里的几十行胶水。所以许可也分开。
- GNU Affero 通用公共许可证第 3 版，仅第 3 版，原文完整且未经修改地随仓库分发。
- MCP stdio 桥的适配脚本、OpenCode 插件、Claude Code hook 脚本。双许可的目的很具体：让它们能直接嵌进你自己的 Agent 配置，而不把 AGPL 传染给你的东西。
- 因为 Voxera 通过网络与用户交互，第 13 条适用：运行中的桥在 GET /source 上给出对应源码的获取方式，手机端在"关于"页展示同一个入口。
- 各自适用自己的许可证，不因为随 Voxera 一起使用就变成 AGPL。
等仓库确定，这一页会长出安装一节
在那之前，它就是一份设计记录。上面每一条都能在项目自己的 README 与架构文档里找到对应出处，没有一条是为了这一页临时写出来的 —— 包括那些不好听的：Wayland 上没有按住说话，Windows 上进不了提权窗口，端到端延迟现在给不出数字。