一千块的库存笔记本，逼我自己写了个输入法
我花一千块买了一台库存全新的笔记本，装的是 ChromeOS。价格是好事，系统是生地方。
真正把我卡住的不是系统，是打字。我平时写代码、写稿子，习惯用豆包输入法口喷：想到哪说到哪，一句能说四十个字，术语和口语混在一起，说完停一拍它就上屏了。这套习惯用了很久，快过键盘。但在 ChromeOS 上，它没有地方安放——没有豆包，也没有任何一个能顶上的。
我花了两个晚上把能找到的方案试了一遍：ChromeOS 系统自带的输入法没有语音输入；浏览器应用市场里的几个语音工具，基本都面向英文场景设计，中文断句和标点一团糟，安装之后还得在好几个页面里来回配，效果仍然一般；还有一部分要么依赖联网（口喷的内容得上云），要么用几次就提醒你升级付费。三个条件凑不齐：中文能说、本地能跑、拿来就能用。
那就不凑了，自己做一个。叫 CrostiVoice。这篇是这个方案的完整拆解：交互怎么设计、三层文本处理管线怎么排布、踩了哪些 MV3 的坑，以及——为什么一个人现在能把这件事做完。
第一个坑：长按搜索键走不通
ChromeOS 笔记本的键盘上有个搜索键（Everything Button）。我第一反应就是拿它做语音键——安卓上「按住说话」的心智直接平移过来，最自然。真机试完就放弃了：长按搜索键是系统级手势，固定呼出 Assistant，扩展拿不到这个事件。这个交互在系统层面就不存在。
退一步的方案反而更稳：点一下搜索键开始说话，说完停顿约 1.6 秒自动断句上屏，再点一下立即结束。静音自动结束看着是妥协，实际用起来比按住松开顺手——口喷的时候往往是边想边说，谁也不想一直按着个键。识别浮层用 Shadow DOM 做在页面右下角，实时显示中间结果；文字落到光标所在的位置，input、textarea、contenteditable 三类都接。
文字注入，坑比想象多
识别出来的文字怎么进输入框？最直接的做法是直接改 value。React 页面第一个不认：React 受控组件监听的是 input 事件，value 改了、状态树不动，界面纹丝不动。所以每一条都得走正路：先用原生 setter 赋值，再补一个冒泡的 InputEvent，让框架的状态机跟着走。
contenteditable 是另一个世界。Google Docs、飞书这类页面有自己的 undo 栈，直接插 DOM 会把撤销历史搅乱，得用 execCommand 走页面自己的编辑通道——它挂着「已废弃」的牌子，但在「往别人家页面里插字」这件事上，到现在还没有替代品。焦点跟踪也得自己做：扩展在后台记着用户最后停留的输入框，浮层一结束就把文字送去那里。少这一步，「纯语音」就破功了——每次都得先点一下输入框。
识别只是原料：三层文本处理管线
中文语音识别的原始输出，是「然后我发现了一个问题但是不确定是不是它」这样的无标点长串。真正决定可用性的是之后的处理。这里分了三层，按成本从低到高叠，任何一层不可用就降级到下一层，保证输入永远能出去。
第一层，本地规则引擎，永远在线。连接词切分（「然后」「但是」「所以」处断句补标点）、语气词定句读、口述标点（说「逗号」出逗号，说「换行」出换行）、中英混排自动加空格。零下载零延迟，处理不了复杂句式，但保证下限。
第二层，本地神经模型，可选下载。标点用 CT-Transformer，74MB；纠错用 macbert4csc，101MB，专治同音字——语音输入最高频的错误就是同音字，而写代码时这些错误很致命：「帐户」变「账户」能读过去，变量名错一个字就是运行时报错。两个模型都缓存在本机，离线运行，标点毫秒级，纠错单句约 0.4 秒，串联成「标点→纠错」管线。代价也诚实：合计 175MB，所以设计成设置页里点一下才开始下载，不预埋。
第三层，Chrome 内置 AI（Gemini Nano），做深度整理：删口癖、重组口语、合并多个识别候选，输出书面文字。它是唯一调大模型的层级，但只做「整理」，不做「识别」。这一层默认关着——它和第二层是两种品味：要「我说的，只是干净了」用本地模型；要「帮我说利落」，再开它。
热词词典：写代码场景的刚需
识别引擎不认识你的人名、项目名和技术术语，这是所有语音输入的通病。通用方案是热词补偿，做进设置页的形态借了输入法的思路：维护一张「错误识别 → 正确写法」的映射表，识别结果过一遍替换。写码场景里这张表比平时更值钱：项目名、框架名、自己造的变量名，识别引擎拆得七零八落，配几条规则就能整段正确。词典跟着配置一起 JSON 导入导出，换设备一次性带走。
坑单：哪些事和想的不一样
Web Speech 识别的坑单比代码本身还长。连续模式下遇静音会自己停，得边听边重拉识别，和静音计时器一起管理，才算真正「连续听写」。识别跑在浏览器进程的内部通道上，扩展的 Service Worker 睡眠、Offscreen Document 的生命周期，全都得绕。最费解的一条：Offscreen Document 里禁用 file://，调试时要本地起个 http.server 再连——一个纯前端项目，测试设施比项目本身先写完。
数据面是刻意的：识别在本地、模型在本机、历史记录只存最近 50 条，无遥测无账号。这不是洁癖，是场景约束——输入法里流过去的东西什么都可能有，口令、地址、内部项目名，这类数据压根不应该离开设备。市面上的云端方案未必有坏心，但「口喷的每一句都上云」这个前提，我不想要。
一千块，和一个拼图时代
装好之后的第一周，这台一千块的笔记本才真正开始工作。写代码的流程变成了：想清楚一段逻辑，开口说完，看屏幕上的字，然后动手改。它替代不了键盘——精确修改、重命名、敲命令，键盘仍然是对的答案。它替代的是「从想到字」的那一段：把一句话变成一个能编辑的草稿，剩下的交给键盘。
更大的感受在工程侧。三年前，「语音输入法」是大厂输入法团队的活：识别、标点、纠错，每一环都是重工程。现在识别在浏览器里，标点和纠错是 100MB 级的开源模型，深度整理浏览器自带。拼图都在，缺的是拼的人。一个人把现成的部件拼起来，就是一个自己够用的输入法——不是能对标大厂的输入法，是能把一件事做完的输入法。这大概是独立开发在这个时代最划算的地方。
← 返回博客列表 · 相关阅读：九年前我设计了这套开放平台 API，九年后 AI 替我调用了它 · 我的记忆库差点变成垃圾场：五条写入纪律救了它