VocalinuxでLinuxの音声入力を端末内に置く条件

音声入力を任意のLinuxアプリへ届ける構成

Vocalinuxは、X11またはWayland上で動く任意のアプリケーションへ音声を入力するための無料のデスクトップアプリです。READMEは、モデルをダウンロードした後の音声認識を端末上で実行し、Vocaのアカウントを必要としないと説明しています。認識エンジンはwhisper.cpp、OpenAI Whisper、VOSKの三つから選べ、トグルとpush-to-talkのキーボード操作を設定できます。

素材時点のGitHub情報ではstarsは785、forksは83、open issuesは58で、既定ブランチはmainです。公開数値やREADMEの宣伝文は注目度や設計意図を示しますが、認識精度、遅延、利用者数の独立検証ではありません。自分の言語、マイク、入力先で実際に音声が文字へ変わるかを確認する必要があります。

三つのエンジンとGPUの違い

READMEではwhisper.cppが既定のエンジンで、高性能なC++音声認識として説明されています。Vulkanを使うGPUアクセラレーションはAMD、Intel、NVIDIAのGPUを対象に掲げています。OpenAI WhisperはPyTorchベースでNVIDIA GPU向け、VOSKは軽量で古いシステムでも使える選択肢とされています。

この三つは同じ負荷や精度になるわけではありません。インストーラーはGPU、RAM、Vulkan対応を検出してエンジンを勧めますが、推奨結果をそのまま本番の判断にしないでください。モデルの版、サイズ、言語、無音判定、テキスト注入の遅延を固定し、CPUとGPUの結果を同じ音声で比べます。READMEには内部アーキテクチャと網羅的な精度比較はありません。

オフライン処理とモデルの扱い

モデルは導入時にダウンロードし、その後の音声からテキストへの処理を端末内に置くというのがVocalinuxの中心的な説明です。モデルは保存容量を使うため、言語やサイズを選び、不要になったモデルは設定画面から削除できます。v0.16.0では未使用モデルの削除が変更点として挙げられています。

オフライン運用を確認する際は、モデル取得後にネットワークを切り、短い音声を入力して結果が得られるかを試します。更新確認、モデルのダウンロード失敗、ログ、外部リンクは別の通信として扱い、音声データの経路と混同しないようにします。Silero VADが利用可能な場合と、振幅しきい値へフォールバックする場合の違いも、無音区間の挙動として記録しておくと再現しやすくなります。

導入経路とLinux環境の確認

推奨の対話型インストーラーは、リポジトリのinstall.shをcurlで取得して実行する方法です。エンジンを指定する場合は、READMEの説明にある--engine=whisperまたは--engine=voskを使えます。Arch LinuxではAURからyay -S vocalinuxで導入する手順が示されています。Flatpakマニフェストを使ったソースビルドも案内され、Flathub公開は進行中とされています。

インストール前に、ディストリビューション、X11またはWayland、入力方式、GPU、Vulkan、Pythonとシステムライブラリを確認します。AppImageはx86_64とaarch64向けの自己完結型ビルドがv0.15.0の変更として説明されていますが、すべての環境で同じ動作を示すとは限りません。READMEには公式debまたはrpmは記載されず、debはロードマップにあります。

操作、音声コマンド、設定ファイル

起動方法は、ショートカットをダブルタップして切り替えるトグルと、キーを押している間だけ録音するpush-to-talkです。READMEは、new line、period、comma、question mark、delete that、capitalizeなどの音声コマンドを例に挙げています。コマンドラインには--engine、--model、--wayland、--debug、--start-minimizedがあり、設定は~/.config/vocalinux/config.jsonに保存されます。

設定例にはengine、model_size、vad_sensitivity、silence_timeoutが含まれます。v0.16.0では新規インストールのpush-to-talkがRight Altを保持する方式になり、既存設定は従来のショートカットを維持するとREADMEにあります。変更前後で同じ設定が適用されるとは限らないため、既存利用者は設定をバックアップしてから更新します。

v0.16.0の更新内容を読む

素材時点のリリース情報では、v0.16.0にアプリ内更新確認、トレイ通知、検索可能な言語一覧、未使用モデルの削除、音声トーンの選択が追加されています。インストーラーにはJustfile、uv lockfile、ディストリビューションのpython3-giが必要とされ、PyGObjectのpip sdistを使わない構成と説明されています。

この版には、IBusの入力注入とXKBレイアウト復元、クリップボード復元、AppImageのGPUライブラリ、設定画面、トレイ状態、テストディクテーションの修正も列挙されています。変更番号が並んでいることは、問題がすべて解決した証明ではありません。使う機能に関係する変更をUPDATE.mdと完全なチェンジログで照合し、更新後に入力、停止、トレイ、ログを確認してください。

AGPL-3.0と採用前の境界

READMEと素材のライセンス情報はVocalinuxをAGPL-3.0の下に置いています。コピー、改変、配布を行う場合は、実際に取得したライセンス本文と依存物の条件を確認してください。VocaHQの他プロジェクトと共通するプライバシーやオフラインの方針が説明されていますが、VocaMacやVocaWinのコードとリリース状態までを保証する資料ではありません。

独立したベンチマーク、すべてのディストリビューションに対する互換性表、サポート期限はREADMEだけでは確認できません。採用時は固定版を選び、ネットワーク遮断後の認識、GPUとCPUの切り替え、X11とWayland、複数の入力先、モデル削除、設定復元、AGPL対応を一つずつ記録します。マイク入力を扱うアプリなので、権限、ログ、共有端末での取り違えも運用確認に含めてください。

編集部の結論

Vocalinuxは、モデルを一度ダウンロードした後、Linux上の任意のアプリへ音声を入力し、認識処理を端末内で続けたい人が検討できるデスクトップアプリです。X11かWaylandか、GPUとVulkanの状態、利用する認識エンジン、モデルの保存場所、テキスト注入方式を先に試してください。READMEのオフラインという説明は、モデル取得後の処理経路を示すもので、音声認識の精度やすべてのLinuxディストリビューションでの動作を保証するものではありません。v0.16.0の変更とAGPL-3.0の条件を確認し、実際の入力先でアクセシビリティと復旧手順を検証してから使うのが適切です。

公式情報源

1. Official documentation
2. Official README
3. Project repository
4. Release notes