Govorun PC: переносим офлайн-диктовку с Android на Windows за один вечер (с Claude) / Habr

Предыстория

На Android у меня живёт Govorun Lite - офлайн-диктовка на русском. Нажал кнопку, сказал, текст вставился. Никаких облаков, никакой отправки голоса на серверы. Работает через GigaAM v2 от Сбера.

Проблема одна: на ПК такого нет. Встроенная Windows-диктовка - онлайн. Whisper — либо медленный, либо требует видеокарту. Сторонние сервисы - снова облако.

Я решил портировать Govorun на Windows, и для ускорения взял Claude как пару-программиста. Что из этого вышло - в этой статье.

Стек

Компонент	Библиотека	Лицензия
Распознавание речи	GigaAM v2 (NeMo CTC)	MIT
ONNX-рантайм	sherpa-onnx	Apache 2.0
Захват звука	sounddevice	MIT
Глобальные хоткеи	keyboard	MIT
Буфер обмена	pyperclip	BSD
Пунктуация	punctuators (xlm-roberta)	Apache 2.0
Системный трей	pystray	LGPL
Иконки	Pillow	HPND

Всё офлайн. После первоначальной загрузки моделей (~380 МБ суммарно) интернет не нужен.

Как это устроено внутри

Программа делает четыре простых вещи последовательно:

1. Слушает нажатие клавиш
Фоновый хук отслеживает Alt+X во всей системе - в любом окне, в любом приложении.

2. Пишет микрофон
Первое нажатие Alt+X - открывается поток с микрофона (16 кГц, моно). Звук накапливается в памяти кусками. Второе нажатие - поток закрывается, все куски склеиваются в один массив чисел.

3. Распознаёт речь
Массив уходит в GigaAM v2 через sherpa-onnx. Модель работает офлайн прямо на процессоре, возвращает строку без знаков препинания - это особенность CTC-архитектуры.

4. Восстанавливает пунктуацию и вставляет
Строка проходит через вторую модель (xlm-roberta ONNX) - она расставляет запятые, точки и заглавные буквы. Готовый текст копируется в буфер обмена и вставляется через Ctrl+V в то окно, где стоял курсор.

Alt+X → 🎤 Запись → Alt+X → 🧠 GigaAM v2 → ✏️ xlm-roberta → 📋 Ctrl+V в активное окно

Шаги 3 и 4 выполняются в отдельном потоке - пока идёт распознавание, хоткей не блокируется и программа не зависает.

Что докрутили по дороге

Изначально в плане были только распознавание и вставка. Но по ходу добавили ещё несколько вещей.

Системный трей
Приложение работает в фоне - терминал держать открытым не нужно. Иконка в трее показывает состояние: серая в покое, красная при записи. Реализовано через pystray + Pillow - иконка рисуется программно, без внешних файлов.

Ключевые куски кода

def _make_icon(recording: bool) -> Image.Image:
    img  = Image.new("RGBA", (64, 64), (0, 0, 0, 0))
    draw = ImageDraw.Draw(img)
    bg = (210, 40, 40, 255) if recording else (60, 60, 60, 255)
    draw.ellipse([2, 2, 62, 62], fill=bg)
    draw.rounded_rectangle([24, 10, 40, 36], radius=8, fill="white")
    # ... микрофон
    if recording:
        draw.ellipse([46, 4, 60, 18], fill=(255, 80, 80, 255))  # красная точка
    return img

Индикатор записи
Когда идёт запись - в трее красный бейдж с точкой, а тултип меняется на 🎤 Запись идёт.... Сразу видно что приложение активно.

GUI настроек
Правый клик на иконке → Настройки - открывается окно на tkinter. Там можно:

Сменить горячую клавишу (применяется без перезапуска)
Выбрать микрофон из выпадающего списка
Включить/выключить пунктуацию

class SettingsWindow:
    def _apply(self) -> None:
        # Горячая клавиша — снимаем старый хук, вешаем новый
        keyboard.remove_hotkey(HOTKEY)
        keyboard.add_hotkey(new_hotkey, self.ctrl.toggle, suppress=True)
        # Микрофон — просто меняем глобал, следующая запись возьмёт новый
        INPUT_DEVICE = new_device_id

Запись звука

class Recorder:
    def _callback(self, indata, frames, time_info, status):
        if status:
            print(f"[!] sounddevice: {status}")
        with self._lock:
            if self.recording:
                self.frames.append(indata.copy())

    def start(self) -> None:
        self.stream = sd.InputStream(
            samplerate=16_000, channels=1, dtype="float32",
            device=INPUT_DEVICE, callback=self._callback,
        )
        self.stream.start()

GigaAM ожидает моно, 16 кГц, float32 - именно это мы и пишем.

Распознавание

def load_recognizer() -> sherpa_onnx.OfflineRecognizer:
    return sherpa_onnx.OfflineRecognizer.from_nemo_ctc(
        model="models/model.onnx",
        tokens="models/tokens.txt",
        num_threads=4,
        sample_rate=16_000,
        feature_dim=80,
        decoding_method="greedy_search",
    )

Вставка в активное окно

def paste_text(text: str) -> None:
    pyperclip.copy(text)
    time.sleep(0.05)
    keyboard.send("ctrl+v")

Грабли, которые мы собрали

1. Неправильный микрофон

sounddevice без параметра device берёт системный дефолт - но на Windows это может оказаться виртуальным устройством или стереомикшером. Добавили вывод списка устройств при старте и флаг --device N.

def print_devices():
    devices = sd.query_devices()
    default_in = sd.default.device[0]
    for i, d in enumerate(devices):
        if d["max_input_channels"] > 0:
            marker = " ◄ дефолт" if i == default_in else ""
            print(f"[{i}] {d['name']}{marker}")

И флаг --device N для выбора нужного микрофона.

2. Нет пунктуации

GigaAM CTC - это «сырая» модель: она выдаёт слова строчными буквами без запятых и точек. Это ограничение архитектуры CTC, а не конкретной модели.

Решение - постобработка через отдельную модель. Сначала попробовали deepmultilingualpunctuation (PyTorch), но она потянула 1.5 ГБ зависимостей. Перешли на punctuators - ONNX-based xlm-roberta, ~50 МБ, поддерживает русский:

from punctuators.models import PunctCapSegModelONNX
model = PunctCapSegModelONNX.from_pretrained(
    "1-800-BAD-CODE/xlm-roberta_punctuation_fullstop_truecase"
)
result = model.infer(["привет как дела это тест"])
# → ["Привет, как дела? Это тест."]

3. WinError 6714 — транзакция NTFS

При первом запуске с deepmultilingualpunctuation PyTorch попытался писать временные файлы прямо в C:\Govorun. Windows заблокировала директорию через TxF (Transactional NTFS) и не отпустила — все последующие Path.exists() в той же папке падали с OSError: [WinError 6714].

Лечится перезагрузкой ПК. Но чтобы не повторялось — нужно заранее перенаправить кэши:

_CACHE = Path.home() / ".cache" / "govorun"
os.environ.setdefault("HF_HOME",           str(_CACHE / "huggingface"))
os.environ.setdefault("TRANSFORMERS_CACHE", str(_CACHE / "huggingface" / "hub"))
os.environ.setdefault("TORCH_HOME",        str(_CACHE / "torch"))

Важно: эти строки должны стоять до любых import torch / import transformers.

4. pyautogui не вставлял текст

Первоначально вставка делалась через pyautogui.hotkey("ctrl", "v"). Из фонового потока это иногда не срабатывало - фокус окна успевал уйти пока шло распознавание.

Заменили на keyboard.send("ctrl+v") из той же библиотеки, что уже используется для хоткеев. Работает надёжнее, потому что эмулирует нажатие на уровне драйвера, а не через UI Automation.

Что получилось

📋 Доступные устройства ввода: [0] Микрофон (Realtek HD Audio) ◄ дефолт
🎙 Используется устройство [0]: Микрофон (Realtek HD Audio)
⏳ Загружаю модель пунктуации (ONNX)… ✅ Пунктуация готова.
⏳ Загружаю GigaAM… ✅ Модель готова.
🎯 [ALT+X] — старт/стоп записи. Настройки и выход — иконка в системном трее.
🎤 Запись… (ALT+X — остановить) ⏹ Записано 4.2с, уровень: 0.0318, распознаю… 📝 Привет, это тестовая запись. Всё работает отлично. ✅ Скопировано и вставлено

Текст появляется в том поле, где стоял курсор - в браузере, Telegram, Word, IDE, где угодно

Установка

Вариант 1 — готовый exe (не нужен Python)

Скачайте GovorunPC.exe (38 МБ)
Положите рядом папку models/ с файлами модели
Запустите GovorunPC.exe

При первом запуске punctuators скачает xlm-roberta (~50 МБ) в ~/.cache/govorun/. Интернет больше не понадобится.

Модели скачиваются отдельно (~330 МБ, один раз):

pip install requests tqdm
python download_models.py

Вариант 2 — из исходников

# Скачать исходники
# Распаковать архив со страницы релиза

pip install -r requirements.txt
python download_models.py   # ~330 МБ, один раз
python govorun_pc.py        # или двойной клик на govorun.vbs

При первом запуске punctuators скачает xlm-roberta (~50 МБ) в ~/.cache/govorun/. После этого интернет больше не нужен.

Итог

На всё ушло меньше вечера. Начали с простого скрипта - распознавание + вставка. По дороге добавили трей, индикатор записи, GUI настроек и собрали готовый .exe.

Основная часть времени - не написание кода, а отладка специфических Windows-проблем: WinError 6714, выбор микрофона, ненадёжная вставка через pyautogui. Claude предлагал решения, я проверял на живой машине, правили вместе.

Стек получился полностью офлайн, без PyTorch в рантайме (только ONNX), и работает на обычном процессоре без GPU.

Буду рад вопросам в комментариях.

Благодарности

Отдельное спасибо amidexe - автору оригинального Govorun Lite для Android. Именно его работа стала отправной точкой: готовая идея, проверенный стек (GigaAM + sherpa-onnx), понятная концепция «нажал - сказал - вставилось».

Без его приложения я бы не знал, с чего начать, и вряд ли вообще взялся за эту задачу.