同样是桌面端,它为什么选 Tauri + Rust 而不是 Electron

原创2026-11-02 09:37:362,156 阅读
文章标签:语音桌面应用本地部署人工智能跨平台

同样是桌面端,它为什么选 Tauri + Rust 而不是 Electron

Handy 是一个完全离线的开源语音转文字工具:按住快捷键说话,松开后文字自动出现在任意输入框里。这类"常驻后台、随时唤醒、和操作系统深度打交道"的桌面软件,过去几乎是 Electron 的默认地盘。但 Handy 选的是 Tauri 2 + React + Rust,并且在 0.9.x 之后把整个推理链路搬进了 Rust 侧的子进程。

社区里对它的介绍大多停留在"Tauri + React + Rust 构建、完全离线、隐私安全"这一层,很少有文章回答一个更实际的问题:这个技术选型到底是营销话术,还是被业务需求逼出来的? 本文直接从仓库源码里找答案——看它把哪些活交给了 Rust,看前后端边界是怎么划的,也看它为这套选型付出了什么代价。

一、先看骨架:一个前端很薄、后端很厚的项目

统计仓库里的代码量,比例相当反直觉:

层 目录 规模
Rust 后端 src-tauri/src 约 3.5 万行
TypeScript / React 前端 src 约 2.2 万行

前端再拆开看,大头是设置面板、引导流程、模型选择表格和多语言文案(src/i18n/locales 下有 26 个语言包),真正的"业务逻辑"其实很薄:状态放在 Zustand 里,动作全部通过命令打到 Rust。

src-tauri/src/lib.rs 里注册的命令列表有近百个,覆盖快捷键绑定、麦克风枚举、模型下载、历史记录、剪贴板粘贴、日志等级等。也就是说,前端只负责"画"和"发指令",凡是碰硬件、碰文件、碰系统 API 的事,一律发生在 Rust 侧。

这个比例本身就是答案的一半:Handy 的核心难点不在 UI,而在于实时音频、语音活动检测、本地推理、跨平台键盘注入和剪贴板时序。这些活无论用哪个框架写,最终都要落到原生代码;那么用一个自带 Node 运行时的壳,收益就只有"少写点原生胶水",而这个收益在这里接近于零。

二、体积账:Tauri 省掉的不是"框架",是渲染引擎

Electron 的体积主要由 Chromium 决定:每个应用都要自带一份浏览器。Tauri 的做法是复用系统 WebView——macOS 用 WKWebView,Windows 用 WebView2,Linux 用 WebKitGTK。这一条在 src-tauri/src/main.rs 里有一个很直白的副作用证据:

#[cfg(target_os = "linux")]
{
    // DMABUF renderer causes crashes on various GPU/display server configurations
    if std::env::var_os("WEBKIT_DISABLE_DMABUF_RENDERER").is_none() {
        std::env::set_var("WEBKIT_DISABLE_DMABUF_RENDERER", "1");
    }
}

只有当你依赖系统 WebView 时,才需要为 WebKitGTK 的渲染后端做这种兜底;自带 Chromium 的应用不会有这个变量。

但更有意思的是:对 Handy 来说,WebView 早就不再是体积的主项了。 看 src-tauri/tauri.conf.json 的打包配置:

"linux": {
  "deb": {
    "depends": ["libgtk-layer-shell0", "libopenblas0", "libssl3t64 | libssl3"],
    "files": { "/usr/lib/Handy": "transcribe-libs" }
  },
  "appimage": { "bundleMediaFramework": true, "files": { "/usr/lib": "transcribe-libs" } }
}

transcribe-libs 里装的是 transcribe.cpp 编译出来的 libtranscribe.so 和一组按 CPU 指令集拆分的 ggml 后端模块(libggml-cpu-*.so、libggml-vulkan.so)。scripts/ci/stage-transcribe-libs.sh 负责把它们复制到安装包,并在缺少 CPU 后端模块时直接让 CI 失败——因为那意味着在没有可用 GPU 的机器上会"没有可用计算设备"。

换句话说,一个语音识别应用的诚实体积,必然包含推理引擎和模型运行时;Tauri 帮你省下的是那 100MB 级别的浏览器内核,省不掉的是 ggml、OpenBLAS、Vulkan 驱动接口和你的模型。这也是为什么"用 Tauri 体积就一定小"是个伪命题:它取决于你把什么塞进包里。

顺带一提,rpm.compression: none 这种配置一般只出现在"压缩开销大于收益"的场合,说明作者在安装包的装载速度上也做过取舍;Windows 侧则用自定义 NSIS 模板(src-tauri/nsis/installer.nsi)注入便携模式支持,这些都不是框架默认给的能力,而是想清楚"分发形态"之后逐个补的。

三、冷启动:真正的优化是把重活挪出启动路径

仓库里没有任何冷启动耗时打点,所以这里不谈"快了多少毫秒"这种无法验证的数字。但从初始化顺序能清楚看出设计意图。

在 src-tauri/src/main.rs 中,main() 做的第一件事不是建窗口,而是设环境变量、判断自己是不是被当成推理 worker 启动:

if handy_app_lib::engine_supervisor::is_worker_invocation() {
    std::process::exit(handy_app_lib::engine_supervisor::run_worker());
}

这个判断发生在 clap 解析参数、Tauri 初始化、单实例插件之前——worker 进程完全不碰 Tauri,因此它的启动开销只有一次进程创建。

真正的应用进程里,src-tauri/src/lib.rs 的 initialize_core_logic 有一段关键注释:

// Note: Enigo (keyboard/mouse simulation) is NOT initialized here.
// The frontend is responsible for calling the `initialize_enigo` command
// after onboarding completes. This avoids triggering permission dialogs
// on macOS before the user is ready.

// Note: Shortcuts are NOT initialized here.

启动阶段只做三件事:装配管理器、建托盘、创建隐藏的录音浮层窗口。键盘注入和全局快捷键注册被推迟到前端主动调用 initialize_enigo / initialize_shortcuts,模型则是按需加载、超时自动卸载(设置项 model_unload_timeout,命令 unload_model_manually)。

对一个用快捷键唤起、结果只出现在别的应用里的工具来说,"主窗口"其实是个低频页面。所以 Handy 干脆按托盘常驻应用来做:macOS 上甚至可以以 Accessory 策略启动(无 Dock 图标),等到真正要显示窗口时才提升为 Regular。冷启动的体验目标不是"窗口多快画出来",而是"按下快捷键时,热路径已经就绪"。

四、Rust 到底在扛哪些重活

1. 实时音频与 VAD,不是"录完再处理"

src-tauri/src/audio_toolkit 是一整套音频子系统:handy-recorder 负责麦克风采集、重采样到 16 kHz 和断流检测,vad/ 下是 Silero 与 earshot 两套检测器,sink/ 负责电平、可视化与流式喂帧。VAD 的时序参数写得很具体(src-tauri/src/audio_toolkit/vad/mod.rs):

pub const VAD_PREFILL_MS: u64 = 450;
pub const VAD_OFFLINE_HANGOVER_MS: u64 = 450;
pub const VAD_STREAMING_HANGOVER_MS: u64 = 1650;
pub const VAD_ONSET_MS: u64 = 60;

450ms 的前置保留、1650ms 的流式拖尾,这类参数意味着代码必须跑在能保证帧级时序的运行时里。这些活交给 JS 侧做,必然要在 FFI 边界上来回搬运 PCM 缓冲区,还要和 GC 抢确定性。

2. 把推理引擎扔进子进程,这是 Rust 侧最硬的一块

src-tauri/src/engine_supervisor 的模块注释把设计讲得非常清楚:所有 transcribe.cpp 的原生代码(后端初始化、设备枚举、模型加载、推理、流式解码)都跑在一个子进程里,这个子进程就是把 Handy 自己的可执行文件用 --transcribe-worker 重新拉起来。

pub const WORKER_FLAG: &str = "--transcribe-worker";
const CPU_ONLY_FLAG: &str = "--cpu-only";

父子进程之间是一条极简的帧协议(protocol.rs):[u32 json_len][json][u32 pcm_len][pcm bytes],长度小端、PCM 为 f32。这里有两个值得抄的细节:

  • 用 JSON 而不是 bincode:因为 transcribe-cpp 的 serde 实现会把 NaN 置信度序列化成 null,只有自描述格式能正确往返。
  • MAX_SECTION_BYTES = 1 << 30:一段垃圾长度字段不能变成几 GB 的内存分配。

而 CPU_ONLY_FLAG 的存在理由更狠:GPU 驱动在初始化阶段崩溃或挂死时,如果 CPU 回退和它同处一个进程,会一起被带走。所以回退 worker 在注册任何后端之前就被限制为纯 CPU,连驱动代码都不加载。

崩溃恢复、挂死检测、GPU 失败后重试 CPU、卸载模型时让 worker 退出从而把 CPU 和 GPU 内存完整还给操作系统——这一整套"进程级容错",在 Node 里靠 child_process 也能做,但你要额外承担序列化开销、跨平台进程管理的差异,以及原生插件本身无法被隔离的事实。用 Rust 写,父进程和子进程共享同一套协议类型和同一份 transcribe_cpp 绑定,成本最低。

3. 系统级输入与剪贴板,绕不开 FFI

src-tauri/src/paste_tx 解决的是一个非常"脏"的问题:粘贴完要恢复用户原剪贴板,但"粘贴键按下去"不等于"目标应用已经读走内容"。固定延时必然翻车。

它的方案是"收据式粘贴":Windows 用延迟渲染(SetClipboardData(CF_UNICODETEXT, NULL),被读时收到 WM_RENDERFORMAT),macOS 用 declareTypes:owner: 加懒加载 promise(被读时回调 pasteboard:provideDataForType:),只有观察到粘贴键注入之后发生的读取,才算有效收据,然后才恢复剪贴板。

类似的原生细节还有不少:

  • src-tauri/src/input.rs 在 macOS 上用 UCKeyTranslate 反查当前键盘布局下"Command+V"对应的物理键码(兜底是 ANSI 的 keycode 9),否则非拉丁布局下会粘贴失败;
  • src-tauri/src/overlay.rs 在 macOS 用 tauri-nspanel 建一个 can_become_key_window: false 的浮动面板,在 Linux 用 gtk-layer-shell,在 Windows 上还要处理 WebView2 的快捷键抢占;
  • src-tauri/src/secure_input.rs 轮询 macOS 的 IsSecureEventInputEnabled(),在密码框或终端开启安全输入、tap 收不到按键事件时,用 Carbon 后端的全局快捷键做"影子注册"兜底。

这些全是平台 API 级别的攻坚。用 Electron 写,这些代码一行都省不掉,只是会被塞进 N-API 原生插件里,然后你就同时拥有了两套构建系统和两种崩溃模型。

4. 连 glibc 的分配器行为都要管

最能说明"这个项目为什么需要 Rust"的,可能是 src-tauri/src/memory.rs。它解决的是 glibc 动态 mmap 阈值导致的内存驻留问题:

unsafe { libc::mallopt(libc::M_MMAP_THRESHOLD, 128 * 1024); }
// ...
unsafe { libc::malloc_trim(0); }

注释里写着实测数据:每次两分钟的听写大约留下 15MB 未归还内存,固定阈值后降到 0.5MB(对应 issue #1792)。这类问题只有在你直接掌控分配器和生命周期的语言里才有解;在托管运行时下,你连"这块内存什么时候还给 OS"都说不清。

五、前后端边界:命令 + 事件 + 生成类型

Handy 的边界设计很克制,基本可以一句话概括:前端向左,原生向右,中间只有两件事——命令和事件。

  • 前端 → 后端:invoke 调用 collect_commands! 注册的函数,返回值统一包成 Result<T, String>;
  • 后端 → 前端:collect_events! 只声明了 6 个事件(历史更新、转写任务、流式文本、流式阶段、录音状态、转写完成)。窗口显示隐藏、麦克风电平这类"高频但不重要"的信号走的是普通 emit/listen。

类型安全靠 tauri-specta:调试构建时自动把 Rust 类型导出成 src/bindings.ts(1500 多行,文件头写着"不要手改")。改一个 Rust struct,前端立刻编译不过——这在 Electron 生态里通常要靠手写 IPC 契约或再引一层 tRPC 式的方案。

权限侧同样收得很紧。src-tauri/capabilities/default.json 只放开了必要能力,文件系统访问范围被限定在 $APPDATA 内:

{ "identifier": "fs:scope", "allow": [{ "path": "$APPDATA" }, { "path": "$APPDATA/**/*" }] }

对比 Electron 里 nodeIntegration: true 的"全权限渲染进程",这种声明式能力白名单对"一个要读麦克风、要模拟键盘、还要自更新的应用"来说,是能拿出去做安全审计的前提。

六、扩展性:CLI、单实例与可替换的引擎

"可扩展"在 Handy 里不是口号,而是三个具体机制。

第一,CLI 即 API。 src-tauri/src/cli.rs 用 clap 定义了 --toggle-transcription、--cancel、--start-hidden、--no-tray、--debug 等参数。远程控制类参数通过 tauri_plugin_single_instance 转发给已运行的实例再退出——所以任何脚本、窗口管理器、启动器都能控制它(README 里提到的 Raycast 扩展就是这么接的;Wayland 下也是靠桌面环境绑定 handy --toggle-transcription 来绕过全局快捷键限制)。

第二,headless 模式。 --transcribe-file、--list-devices、--list-models 会走独立进程路径(配置里明确跳过单实例转发),stdout 只输出结果,日志改走 stderr 以免污染 CI 解析。这让 Handy 可以被当成一个命令行转写器塞进流水线。

第三,引擎是可换的。 父子进程协议把 transcribe.cpp 关在一个 worker 里,父进程只认识 Request::Load / Run / StreamBegin / Feed / Finalize 这几个语义化请求。再加上 src-tauri/src/catalog/catalog.json 用数据描述模型能力与基准(methodology.dictationSeconds: 30、benchmarks.quant: Q8_0、fleurs 数据集、"ryzen-4750u + vulkan"这类机器标注),换引擎、加模型、调评分口径都不需要动 UI。

流式转写的实时浮层:说话过程中文字边出边上屏

上图是 0.9.0 引入的流式浮层。它能存在的前提正是前面那条链路:Rust 侧边喂帧边产出 StreamTextEvent,浮层作为一个独立的原生窗口(macOS 上是不抢焦点的 NSPanel)单独订阅事件。UI 与推理在两个进程、两个窗口里解耦,互不阻塞。

七、代价:Tauri 不是免费的

如果只写优点,这篇文章就没有价值。Handy 的 src-tauri/Cargo.toml 里,几乎每一段注释都是一次踩坑记录:

  • 为了修 Wayland 下"窗口隐藏再显示后标题栏按钮失效",项目直接 [patch.crates-io] 把 tao 钉在作者自己的 fork 上,同时还要 cherry-pick 一个修复 Windows 关机被否决(WM_QUERYENDSESSION 返回 FALSE)的补丁;
  • Intel Mac 上主动关闭 Metal:ggml-metal 会在后端初始化时编译内嵌 shader,在某些 AMD GPU 上这一步永远不结束,导致每次启动都卡死(#2340);
  • Windows on ARM 改为静态链接:Adreno 的 Vulkan 驱动不成熟,vulkan-shaders-gen 在 clang-cl/lld 下也构建不出来,于是干脆不产生任何 DLL;
  • Windows 启动时设置 VK_LOADER_LAYERS_DISABLE=~implicit~,避免 Overlay/录屏类注入层把进程带崩(#2049);
  • Linux 侧要处理 libgtk-layer-shell0 运行库缺失、WebKitGTK 的 DMABUF 崩溃、以及 Wayland 下必须依赖 wtype/dotool/ydotool 才能输入文字。

这就是系统 WebView 路线的真实账单:Electron 用一致的 Chromium 换掉了这些碎片,Tauri 用更小的体积和更直接的原生控制换来了这些碎片。 Handy 之所以能接受这笔账,是因为它的产品形态本来就要求"贴着操作系统写"——录音浮层不能抢焦点、快捷键要在安全输入下仍然可用、粘贴要精确到剪贴板读取的那一刻。这些需求里没有一项能靠 Web 层解决,那么为 Web 层多付 100MB 和一个额外运行时,就不划算了。

结论

Handy 选 Tauri + Rust,不是因为"新",而是因为它的技术栈重心本来就在原生侧:3.5 万行 Rust 扛着音频、VAD、推理进程隔离、输入注入、剪贴板时序和内存归还,2.2 万行前端只负责配置与展示。

反过来看,Tauri 在这里真正提供的价值也不是"跨平台 UI 框架",而是三件更朴素的事:一个足够小的外壳、一条类型安全的命令边界、一份可以拿去做安全审计的能力白名单。当一个桌面应用的核心竞争力已经下沉到原生代码时,外壳越薄越好——这大概就是这道选型题最诚实的答案。

登录后查看全文
Handy