dictado-wayland

Dictado por voz para Linux con Wayland. Presionás un atajo, hablás, lo presionás de nuevo, y el texto aparece donde tengas el cursor: en el editor, en el navegador o en la terminal. La transcripción la hace Whisper a través de la API de Groq, que tarda menos de un segundo y tiene un plan gratuito.

Super+D  ──▶  pw-record graba el micrófono (16 kHz, mono)
              └─ notificación persistente: «🎙️ Grabando...»

Super+D  ──▶  corta la grabación
              ├─ si fue silencio, no la manda (Whisper inventa texto con el silencio)
              ├─ la manda a Whisper (whisper-large-v3-turbo, en Groq)
              ├─ copia el texto al portapapeles (wl-copy)
              └─ lo pega simulando Ctrl+V (ydotool)

Por qué existe

En X11, dictar es fácil: cualquier programa puede simular que se presionan teclas. Wayland lo prohíbe a propósito —que una aplicación pueda teclear en otra es un agujero de seguridad—, y por eso la mayoría de las herramientas de dictado para Linux no funcionan en un escritorio moderno.

La salida es ydotool: en lugar de pedirle permiso al compositor, escribe los eventos de teclado directamente en /dev/uinput, a nivel kernel, como si fueran de un teclado físico. Para eso necesita un daemon con permisos de root que exponga un socket que el usuario pueda usar. Configurar eso es la parte difícil, y el instalador la resuelve.

Instalación

Probado en Fedora 44 con GNOME. Debería andar en cualquier distribución con Wayland, PipeWire y systemd.

1. Dependencias del sistema

# Fedora
sudo dnf install ydotool wl-clipboard pipewire-utils libnotify python3
# Debian / Ubuntu
sudo apt install ydotool wl-clipboard pipewire-bin libnotify-bin python3-venv

2. Una API key de Groq, gratis en console.groq.com → API Keys.

3. El instalador

git clone https://github.com/Anatsu1/dictado-wayland.git
cd dictado-wayland
./install.sh

Te pide la API key, instala el servicio ydotoold (usa sudo solo para eso) y registra los dos atajos de GNOME. Se puede correr de nuevo sin romper nada.

Opción	Para qué
--sin-servicio	Ya tenés ydotoold configurado a tu manera
--sin-atajos	No usás GNOME, o preferís crear los atajos a mano

Para desinstalar: ./uninstall.sh.

Uso

Atajo	Pega con	Para
Super+D	Ctrl+V	Casi todas las aplicaciones
Super+Shift+D	Ctrl+Shift+V	Terminales

Lo que cuenta es el atajo con el que terminás: podés empezar con uno y cortar con el otro. El texto queda además en el portapapeles, por si el pegado automático no aplica.

Configuración

Por variables de entorno, sin tocar el código:

Variable	Por defecto	Qué hace
DICTADO_ATAJO	<Super>d	Atajo principal (se lee al instalar)
DICTADO_ATAJO_TERMINAL	<Super><Shift>d	Atajo para terminales (se lee al instalar)
DICTADO_MODELO	whisper-large-v3-turbo	whisper-large-v3 es más preciso y algo más lento
DICTADO_IDIOMA	es	Vacío para que Whisper lo detecte solo
DICTADO_ESPERA	1.0	Segundos antes de pegar; subirlo si el pegado falla a veces
DICTADO_RMS_MINIMO	150	Umbral de silencio; bajarlo si el micrófono es muy bajo

Las del atajo se pasan al instalar (DICTADO_ATAJO='<Super>v' ./install.sh). Las demás, como los atajos de GNOME no leen el .bashrc, se definen en el comando del atajo: env DICTADO_MODELO=whisper-large-v3 ~/.local/share/dictado/dictado-toggle.sh.

Si algo no anda

Primero, el log: cat $XDG_RUNTIME_DIR/dictado.log.

Síntoma	Causa y arreglo
El atajo no hace nada y no hay log	El comando del atajo apunta a un archivo que no existe. Volver a correr ./install.sh.
failed to connect socket	ydotoold no está corriendo: systemctl status ydotoold.
Pega en apps pero no en la terminal	Es lo esperado con Super+D: usar Super+Shift+D.
«No se detectó voz» hablando	Micrófono bajo: bajar DICTADO_RMS_MINIMO, o revisar la entrada en Configuración → Sonido.
«No encontré el archivo de audio»	Quedó una grabación colgada: rm -f $XDG_RUNTIME_DIR/dictado_rec.pid && pkill pw-record

Cómo está hecho

• dictado-toggle.sh — lo ejecuta el atajo. Un archivo PID decide si esta pulsación empieza o termina la grabación, así un solo atajo hace las dos cosas.
• dictado.py — descarta el silencio, transcribe, copia y pega.
• install.sh — dependencias, entorno de Python, API key, servicio y atajos.
• systemd/ydotoold.service — el daemon, con el socket a nombre del usuario.

Por qué 16 kHz mono: Whisper trabaja internamente a esa frecuencia. Grabar con más calidad no mejora la transcripción y agranda el archivo (el límite de la API es 25 MB).

Por qué se filtra el silencio antes de llamar a la API: con audio vacío, Whisper no devuelve texto vacío sino que alucina frases de sus datos de entrenamiento —«Gracias.», «Subtítulos realizados por la comunidad de Amara.org»—. El script mide la energía de la grabación y, si no hay voz, ni siquiera la manda.

Licencia

MIT. La idea de partida fue el tutorial «Transcripción de Voz a Texto en Python con API Whisper de Groq»; la adaptación a Wayland, el instalador y el filtro de silencio son propios.