Linux目前沒有語音轉文字的輸入法，所以得從應用程式方面著手。於是我在Github找到了一款簡單易用的軟體：Speech Note
Speech Note (dsnote) 是mkiol開發的自由軟體，特色功能如下：
- 整合VOSK、DeepSpeech、Whisper、Coqui、Piper等模型，支援中文、英文、日文等多國語言輸入
- 使用語音輸入轉文字(Speech to text, STT)，語音辨識，錄下逐字稿，匯出為txt或srt字幕檔
- 使用文字轉語音(Text to speech, TTS)，AI複製人聲，合成語音並唸出文本，匯出為音訊檔
- 支援翻譯文本
- 所有運算都是在本機進行的，不會回傳給第三方
我覺得跟TTS Generation Web UI這類軟體比起來，Speech Note使用上算是比較簡單了。
下文討論Speech Note的用法。
1. 安裝Speech Note主程式#
參考Github說明
推薦使用Flatpak安裝，適用Arch Linux、Ubuntu、Fedora、openSUSE
flatpak install flathub net.mkiol.SpeechNote
接著看你的需求是否啟用GPU加速。沒有的話就是用CPU算，耗時較長。
2. 啟用GPU加速#
Speech Note預設是用CPU處理的，GPU非必須，但是可以加速語音模型的運算速度達二倍以上。
建議GPU的VRAM至少要有4GB。
請先在Linux安裝CUDA(Nvidia)或ROCm(AMD)。Ubuntu參考這篇。
然後安裝對應的Flatpak Add-On：
# Nvidia
flatpak install net.mkiol.SpeechNote.Addon.nvidia
# AMD
flatpak install net.mkiol.SpeechNote.Addon.amd
- 開啟Speech Note程式，點選Settings → Speech to Text，勾選Enable GPU Acceleration
3. 使用語音轉文字功能#
點選Languages，到zh(中文)的頁面下載模型。建議使用較新的Whisper模型。VOSK和DeepSpeech效果很不好。我自認講話不會含滷蛋，中文語音辨識得使用Speech to Text 的「Whisper Large」或更大的模型才有好的辨識效果。
然後回到主頁面，選取要使用模型，點選Listen圖示開始講話。順帶一提，Speech Note也可以錄電腦其他程式發出的聲音，從而生成逐字稿。
等待處理完成，文字就會印出來。預設模式是Plain Text，所有講的話都會連在一起。
如果勾選Subtitle，則每句話會加上時間戳。
點選File → Export to text file，將辨識到的文本另存新檔
4. 使用文字轉語音功能#
點選Languages，到zh的頁面下載模型，如果你要快速生成就選Piper Huayan
若你想要複製他人聲音來生成音訊，請選Conqui XTTS的中文模型，然後點選Voice Samples新增語音樣本，只需要10秒就夠了。
請錄製一段自己的聲音，或者從網路上找人聲樣本的音訊檔。順帶一提，需要從音樂抽取人聲的可以用UVR。
有了樣本後，就可以在主界面選取聲音，並讓AI嘗試唸出文本框的字串了。整段文字可按File → Export，匯出成mp3音訊檔。