5 августа 2026 года рассказываю о Handy на своём Linux-окружении: Ubuntu 24.04, KDE и X11. Handy распознаёт речь на компьютере и вставляет получившийся текст в активное поле. Это инструмент диктовки, а не голосовой помощник, которому следует поручать выполнение команд.
Локальное распознавание и обработка через API различаются
Основной сценарий прост: нажать горячую клавишу, произнести фразу и завершить запись. После распознавания текст попадает в выбранное приложение. Проект открыт под MIT и поддерживает Windows, macOS и Linux; в исторической сборке 0.9.4 использовались Whisper и Parakeet.
Для локального распознавания не требуется отправлять аудио облачному сервису. Но если отдельно включить обработку текста внешней моделью через API, распознанные слова могут покинуть компьютер. Поэтому обещание «всё всегда остаётся локально» нельзя переносить на любую конфигурацию.
На X11 и Wayland нужны разные настройки
В README версии 0.9.4 для X11 указан xdotool, для Wayland wtype или dotool. Поддержка Wayland описана как ограниченная; глобальную комбинацию может потребоваться настроить средствами рабочего окружения. Настройки моей KDE/X11 нельзя без изменений считать рецептом для любого Linux.
В этой версии также нужна библиотека gtk-layer-shell. В Ubuntu/Debian её пакет называется libgtk-layer-shell0. Если приложение не запускается, полезно начать с сообщения об ошибке и зависимостей, а не сразу менять переменные окружения или запускать его с повышенными правами.
Сначала микрофон и сочетание клавиш
В моём сценарии использовались микрофон камеры Creative Live! Cam Sync HD и Whisper Small. Это описание конкретного стенда, не рекомендация самой точной модели для любой машины. Размер модели и скорость нужно проверять на своей речи и своём процессоре.
Горячая клавиша может быть уже занята методом ввода или рабочим столом. Если запись не начинается, нужно проверить конфликт сочетаний, а не считать проблему неисправностью модели. Для проверки работающего приложения в 0.9.4 предусмотрен переключатель записи:
handy --toggle-transcription
Это переключатель: один вызов начинает запись, следующий завершает. При назначении на отдельную кнопку важно не получить автоповтор, который быстро включает и выключает запись. Первый тест лучше проводить в простом текстовом редакторе.
Оверлей может перехватить фокус
В Linux-заметках 0.9.4 описана проблема: окно записи иногда становится активным и мешает вставке текста в исходное приложение. Поэтому оверлей по умолчанию отключён. Если включить его, нужно отдельно проверить, куда попадает результат после завершения диктовки.
Потеря фокуса особенно неприятна в мессенджере, браузерной форме или терминале. Безопаснее надиктовать черновик, перечитать его и затем перенести в нужное место. Не стоит проверять распознавание в окне, где случайный Enter или перенос строки может отправить сообщение либо выполнить команду.
Ошибки распознавания нужно замечать до отправки
На шуме, тишине и слишком короткой записи модель может получить текст, который человек не произносил. В моём опыте встречалась фраза про редактора субтитров. Такой результат нужно рассматривать как повод проверить запись и распознавание, а не как осмысленное распоряжение.
Полезно проверить уровень микрофона, паузу перед речью и выбранный язык. Для имён и технических названий всё равно нужна вычитка. Более крупная модель или дополнительная обработка текста не дают гарантии, что номер версии, адрес и команда будут распознаны правильно.
Handy оказался удобен для черновиков писем и длинных пояснений. Его сильная сторона в простом сценарии: речь, локальное распознавание, текст. На Linux к этому добавляется настройка сочетаний и фокуса. После неё всё равно остаётся последний важный шаг: прочитать результат до вставки в рабочий терминал или отправки другому человеку.
