Anleitungen: installieren und starten

Native Pakete für Debian 12+ und Derivate (Ubuntu 24.04+, Mint 22+…), Fedora, openSUSE Leap und Arch Linux. Es gibt zwei Installationswege; wählen Sie pro Rechner einen aus.

# Debian 12+, Ubuntu 24.04+, Mint 22+...
sudo apt install ./vosk-cli-dictation_0.5.4~beta_all.deb

# Fedora
sudo dnf install ./vosk-cli-dictation-0.5.4~beta-1.fc42.noarch.rpm

# openSUSE Leap
sudo zypper install ./vosk-cli-dictation-0.5.4~beta-1.leap156.noarch.rpm

# Arch Linux
sudo pacman -U ./vosk-cli-dictation-0.5.4_beta-1-any.pkg.tar.zst

git clone https://github.com/RonanDavalan/vosk-cli-dictation.git
cd vosk-cli-dictation
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt

Diktiersprachen

Vier Sprachen werden mitgeliefert: Englisch, Französisch, Deutsch und Spanisch. Die aktive Sprache wird über --lang gewählt, sonst über die Systemsprache, sonst über default_model in der Konfigurationsdatei.

vosk-cli-dictation --lang de

Jede Sprache benötigt ihr entpacktes akustisches Vosk-Modell unter ~/.local/share/vosk-models/ (Paket) oder vosk-model/ (Checkout).

Der Befehl kann das kleine Modell einer Sprache herunterladen und gegen eine bekannte Prüfsumme verifizieren:

vosk-cli-dictation --download-model de

Beim ersten Start ganz ohne Modell bietet er denselben Download an.

Eine Sitzung steuern

Start und Stopp per Sprache über eine Phrase aus zwei Wörtern, je Sprache:

Zwischen Start und Stopp wird das Gesprochene in das Fenster mit dem Fokus getippt. Satzzeichen und Zeilenumbrüche werden ebenfalls diktiert (Komma, neue Zeile, …); die vollständige Liste je Sprache wird beim Start ausgegeben.

Dieselben Aktionen gibt es als Unterbefehle, die an ein Tastaturkürzel des Desktops gebunden werden — der unter Wayland unterstützte Weg:

vosk-cli-dictation --toggle        # starten oder pausieren
vosk-cli-dictation --finalize      # stoppen und Text kopieren
vosk-cli-dictation --sleep-toggle  # Mikrofon freigeben / fortsetzen

vosk-cli-dictation --diagnose meldet Sitzungstyp, Injektions-Backend, Audiogerät und Modellstatus und beendet sich dann.

Auslösemodi

Die Start-/Stoppgeste hängt von interaction.mode in der Konfigurationsdatei ab. Standard toggle (oben): eine Geste startet, eine eigene Geste stoppt. Zwei weitere Modi: maintenue — Push-to-Talk, die Diktierfunktion dauert genau so lange, wie die Taste hotkeys.push_to_talk (Standard Ctrl_R) gedrückt gehalten wird; silence — eine einzelne Geste startet die Sitzung, die stoppt und sich selbst kopiert, sobald interaction.silence_timeout_ms (Standard 700 ms) ohne weitere Sprache verstrichen ist. In allen Modi bleiben die gesprochene Stoppphrase und --finalize als Sicherheitsnetz aktiv.

Wayland und X11

Text wird über die Zwischenablage eingefügt, es braucht also ein Tastendruck-Werkzeug und ein Zwischenablage-Werkzeug: wtype + wl-clipboard unter Wayland, xdotool + xclip unter X11, mit ydotool als Tastendruck-Fallback auf Treiberebene (wl-clipboard bleibt erforderlich). Die nativen Pakete ziehen diese mit; eine Quellinstallation fügt sie selbst hinzu. Ohne Zwischenablage-Werkzeug fügt das Einfügen erneut ein, was zuletzt von Hand kopiert wurde. ydotool braucht als Fallback den Daemon ydotoold und die Mitgliedschaft in der Gruppe input (nach dem Hinzufügen ab- und wieder anmelden). Globale Alt-Tastenkürzel erreichen nur X11- und XWayland-Fenster; binden Sie unter Wayland die obigen Unterbefehle an die Kürzeleinstellungen Ihres Desktops, damit sie jedes Fenster abdecken.

Vollständige Referenz

Jeder Konfigurationsschlüssel, die Suchkaskade für Modelle und der Steuer-Socket sind im docs/ des Projekts dokumentiert: configuration.md und die Handbuchseite vosk-cli-dictation(1), jeweils in den vier Sprachen. Siehe Verstehen dazu, wie die Teile zusammenwirken.