Голосовой ввод текста в Linux

Обновлено: 6 ноября 2026 г.

На Mac и в Windows диктовка включается сочетанием клавиш. В основных окружениях рабочего стола Linux такой встроенной функции нет, поэтому голосовой ввод вы либо собираете сами, либо ставите отдельное приложение. И первый вопрос здесь не «какую программу взять», а «какая у вас графическая сессия». Ниже разобрано, почему X11 и Wayland так сильно влияют на диктовку, какие есть открытые инструменты, как сейчас обстоят дела у Voice Monkeys на Linux и что делать, если что-то не заработало.

Первым делом: у вас X11 или Wayland?

Программе для диктовки нужно сделать две вещи за пределами собственного окна: заметить горячую клавишу, когда активна другая программа, и вставить текст в это чужое окно. В X11 (Xorg) приложениям исторически разрешено и то, и другое. Wayland задумывался так, чтобы изолировать приложения друг от друга: программа не может просто слушать все нажатия клавиш или печатать в окно, которое ей не принадлежит. Для безопасности это хорошо, для диктовки неудобно.

Чтобы узнать тип сессии, откройте терминал и выполните `echo $XDG_SESSION_TYPE`. Команда выведет `x11` или `wayland`. В большинстве окружений это же видно в разделе «О системе» или в сведениях о системе.

• x11: глобальные горячие клавиши и имитация набора обычно работают, большинство инструментов диктовки ведут себя как ожидается.
• wayland: нужен помощник набора с поддержкой Wayland или дополнительная настройка системы, а некоторые приложения не работают совсем.

Если ваш дистрибутив ещё предлагает сессию X11, её обычно можно выбрать на экране входа: выберите пользователя и, прежде чем вводить пароль, найдите меню сессий (часто это значок шестерёнки). Некоторые свежие выпуски для отдельных окружений уже убрали сессию X11 или постепенно отказываются от неё, так что сначала проверьте, что есть у вас.

Какие варианты голосового ввода есть для Linux

Варианты делятся на две группы: открытые инструменты, которые вы настраиваете сами, и готовые приложения. Два известных открытых проекта хорошо показывают, как выглядит путь «собери сам».

nerd-dictation описывает себя как офлайн-распознавание речи для настольного Linux. Он использует библиотеку VOSK с моделью, которую вы скачиваете отдельно, записывает звук через PulseAudio, sox или PipeWire и печатает результат, имитируя нажатия клавиш. Для набора поддерживаются xdotool (только X, по умолчанию), wtype (Wayland), а также ydotool и dotool (оба работают и в X11, и в Wayland, ydotool требует дополнительной настройки). Лицензия GPL-3.0, настройка из командной строки, так что горячую клавишу придётся назначить самому.

whisper.cpp это реализация модели распознавания речи Whisper от OpenAI на C/C++, которая работает офлайн на процессоре, в том числе в Linux, под лицензией MIT. Это движок, а не приложение для диктовки: в комплекте есть пример `whisper-stream`, который в реальном времени расшифровывает звук с микрофона (собирается с включённым SDL2), но доставить текст в другие окна вам придётся своими скриптами.

Voice Monkeys на Linux: как есть

Voice Monkeys (это наша программа) выпускает сборку для Linux в виде AppImage и пакета .deb для Ubuntu и Debian. Нужна сессия X11 (Xorg): в Wayland система блокирует глобальную горячую клавишу и автоматическую вставку, и приложение там работать не может. Сборка для Linux новая, так что относитесь к ней как к молодому выпуску и сообщайте, если что-то ломается.

В работе всё так же, как в других версиях. Зажимаете правый Alt (в настройках можно выбрать другую клавишу), говорите, отпускаете, и текст появляется у курсора в редакторе, терминале, браузере или мессенджере. Короткое нажатие включает режим без рук до следующего нажатия, Esc отменяет запись. Русский входит в 25 языков, язык определяется на слух, и русский с английским можно смешивать в одной фразе; подробнее об этом в статье про голосовой ввод на нескольких языках.

На Linux это облачная подписка: $12 в месяц или $96 в год (цены в долларах США), пробный период 7 дней с привязкой карты. В неё входит 90 часов диктовки в месяц и до пяти компьютеров, диктует одновременно один, так что один тариф закрывает и Linux-десктоп, и ноутбук с Windows. По умолчанию звук уходит в зашифрованном виде на сервер в Фалькенштайне (Германия), превращается в текст в памяти и удаляется; ни звук, ни текст не хранятся, считаются только секунды. Скачать можно на странице загрузки. Если вы на Wayland и переключиться не можете, реалистичнее взять nerd-dictation с помощником набора для Wayland.

Установка AppImage или .deb

• AppImage: скачайте файл, сделайте его исполняемым командой `chmod +x` и именем файла, затем запустите. Если он не стартует с ошибкой про FUSE, установите пакет совместимости FUSE 2 из своего дистрибутива (в Ubuntu он обычно называется libfuse2, в новых выпусках libfuse2t64).
• .deb (Ubuntu, Debian): ставьте командой `sudo apt install ./` и именем файла, чтобы apt сам подтянул зависимости, потом запускайте из меню приложений.
• Войдите в сессию X11 до первого запуска и проверьте её командой `echo $XDG_SESSION_TYPE`.
• Выберите микрофон в настройках звука окружения или в микшере вроде pavucontrol и убедитесь, что индикатор уровня двигается, когда вы говорите.

Голосовой ввод без интернета: офлайн-модель

Версии для Windows и Linux умеют работать и с офлайн-моделью, которая скачивается один раз (около 640 МБ). После этого распознавание идёт на вашем компьютере, звук никуда не отправляется. Это удобно в поезде, на даче с плохим мобильным интернетом или просто если вы не хотите отправлять речь на сервер.

Подойдёт ли она вам, зависит от машины и языков, поэтому сравните оба режима на одних и тех же фразах, например «Смержи ветку после того, как пройдут тесты, и поставь тег релиза два точка четыре», и оставьте тот, где меньше правок. Если вы диктуете длинные комментарии или описания задач, возьмите приём из статьи про голосовой ввод для писателей: сначала проговорите черновик целиком, потом исправьте за один проход. А если офлайн-режим вам нужен ради приватности, в статье насколько приватен голосовой ввод собраны вопросы, которые стоит задать любой программе.

Если что-то не работает

• Горячая клавиша ничего не делает: сначала проверьте тип сессии. В Wayland глобальные горячие клавиши обычных приложений заблокированы; выйдите и выберите сессию X11, если дистрибутив её предлагает.
• Правый Alt печатает странные символы: во многих европейских раскладках правый Alt работает как AltGr, а в типографской раскладке Бирмана он даёт кавычки-ёлочки, длинное тире и другие знаки. Выберите для диктовки другую клавишу в настройках, чтобы они не конфликтовали.
• Текст распознан, но не вставился: убедитесь, что курсор стоит в текстовом поле и нужное окно активно, когда вы отпускаете клавишу. Некоторые эмуляторы терминала вставляют по Ctrl+Shift+V, поэтому сначала проверьте в простом текстовом редакторе.
• Программа ничего не слышит: откройте настройки звука или pavucontrol, выберите правильное устройство ввода и посмотрите на индикатор уровня. Bluetooth-гарнитуры иногда видны как два устройства; выберите то, у которого есть микрофон.
• AppImage не запускается: запустите его из терминала, чтобы увидеть ошибку. Сообщение про FUSE значит, что не хватает пакета совместимости.

Если вы пользуетесь и Windows, в инструкции по голосовому вводу в Windows разобран встроенный ввод, а в подборке программ для диктовки на Windows сравниваются устанавливаемые варианты.

Вопросы и ответы

Источники

• nerd-dictation на GitHub (англ.) (проверено 6 ноября 2026 г.)
• whisper.cpp на GitHub (англ.) (проверено 6 ноября 2026 г.)

Ещё руководства

• Голосовой ввод на двух языках: переключение, смешивание и полезные привычки
• Насколько приватен голосовой ввод и куда попадают ваши слова
• Программа для голосового ввода на компьютер с Windows
• Голосовой ввод в Windows 11: включение, русские команды и решение проблем