功能 模型 下载 使用说明 更新 GitHub ↗
本地 AI 语音输入法 v0.8.1

字在本地, 才叫自在。

按住右 Option 说一句,松手,文字就落在光标处。 识别全程在本机完成——音频不上传,断网也能用。

macOS 13+ · Apple Silicon Windows 10/11 x64 免费开源
会议纪要.md — 备忘录 LOCAL ASR
今天的会议

① 评审时间改到周三下午。

② 设计稿周五前发到群里。

③

按住说话 音频不出本机
松开上屏 · Esc 取消 右 Option
本机识别 · 音频不上传
p50 402ms 松手→出字
最长 120s 一次说完
页面内演示,不会开启麦克风;真实产品同样按住即说。
音频不出本机
识别、降噪、标点全部本地运行,没有音频上传通道。
双引擎可选
SenseVoice 默认够快,Qwen3 短句更准,按场景切换。
一次 2 分钟
长听写会话最长 120 秒,单段 30 秒自动切分。
开源可查
核心与客户端源码公开,模型来自 sherpa-onnx 上游。
How it works

一句话的旅程,
全部在你电脑里。

没有账号,没有云端队列。按下、说话、松手,三个动作,一条本地流水线。

按住,说一句

默认右 Option(Windows 为右 Alt),也可以在设置里换成顺手的键。按下不足 400ms 会当作误触丢弃。

KEYDOWN0.4s

本机边听边识别

降噪、VAD、语音识别都在本机跑。准流式预览每 900ms 刷新一次,你能看着字一个个出来。

ASR900ms × n

松手,落在光标处

文字进入当前输入框,粘贴或逐字上屏可选。Esc 随时取消,双击热键取回上一次听写。

ON SCREENp50 402ms
Features

不是「语音转文字」,
是把说话变成生产工具。

听写只是入口。热词、改写、声纹、上屏方式,都是为「说完就能用」准备的。

Local first

本机识别,没有上传这一步

音频进入麦克风后,只在本机内存里流转:降噪 → VAD → 识别 → 标点 → 上屏。产品里不存在「把录音发给服务器」的路径。

麦克风 本机推理 光标处
Two engines

快,还是准,你来定

日常听写用 SenseVoice,够快;正式内容切到 Qwen3,短句更准,代价是慢一些。

SenseVoiceQwen3
CER 0.093 / 0.040 · 25 条 TTS 语料 · Qwen3 约慢 3 倍
Long form

一次说满两分钟

长听写会话最长 120 秒,单段不超过 30 秒,自动接续,不会说到一半被切断。

0:000:301:001:302:00
Vocabulary

你的名字,它听一次就记住

热词自学习:只填你「想听到」的词,产品名、同事名、内部黑话,不必逐条纠错。

字在DeepSeekHarmonyOS 飞书Qwen3评审 灰度sherpa-onnx
Rewrite

选中,再改一版

⌘E 唤起五种改写:润色、正式、精炼、英文、总结。原文留在原地,改完替换。

这个方案我觉得还行,要不先这样?
润色正式精炼英文总结
Privacy

隐私模式:说完就忘

不写历史、不落盘、不在浮层显示正文。适合在会议、客服、医疗场景里使用。

不写入历史记录
不落盘保存音频
浮层只显示状态
Voiceprint

只录我的声音

声纹校验在本机完成,模型 39MB。旁边有人说话时,不会把别人的话打进你的文档。

Delivery

上屏方式,按 App 来定

粘贴快,逐字稳。终端、远程桌面、游戏输入框各有脾气,可以给单个 App 指定上屏策略。

粘贴逐字
LAN dictation

手机说话,电脑出字

实验功能:局域网听写接口默认关闭,开启后监听 127.0.0.1:8765,需要 token。改完配置需重启。

手机浏览器本机 8765当前输入框
0ms
松手到出字 p50
p95 629ms · 引擎侧 · M5 / 17GB · 25 条 TTS 语料
0s
单次最长听写
单段 ≤30 秒自动切分,最多 120 秒
0MB
默认识别模型
SenseVoice int8 · 解包 247MB · 首次下载
0次上传
识别链路中的音频上传
下载模型、可选润色、可选诊断是另外的出口
Where it lives

它就在光标旁边。

一个不抢焦点的浮层,出现在你正在写的地方。说完,浮层消失,文字留下。

字在在 Windows 上的听写浮层:深色胶囊显示识别结果,覆盖在桌面应用之上
Windows 浮层实拍 · 真实产品界面,未做视觉修饰 v0.8.1 · 界面可能随版本微调

不打断你的手

浮层不抢焦点,按住热键就能说,松手文字直接进当前输入框。

边说边看见

准流式预览让确认和纠错发生在说完之前,而不是之后。

Esc 就是后悔药

说错了按 Esc,文字不会上屏;双击热键还能取回上一次结果。

Models

模型在你手里,
下载地址也公开。

查看全部模型与镜像
模型用途下载解包来源
SenseVoice int8 默认 中英混合语音识别 233 MB247 MB sherpa-onnx
Qwen3-ASR int8 短句高精度识别(≤30s) 879 MB972 MB sherpa-onnx
标点模型 自动加标点 65 MB65 MB sherpa-onnx
声纹模型 只录我的声音 39 MB39 MB sherpa-onnx

模型全部来自 k2-fsa/sherpa-onnx 上游发布;字在只做下载与校验,不改模型权重。

Download

现在就可以装。

免费、无账号。首次启动会引导下载模型;Windows 安装包已随包附带 SenseVoice。

macOS

v0.8.1 · arm64
9.4 MB · 不含模型 Apple Silicon macOS 13+

首次启动需下载约 235MB 模型(SenseVoice + 标点 + 降噪)。安装包未公证,首次打开需在「系统设置 → 隐私与安全性」里点「仍要打开」。

0e4bc9fd1ef8e2ae1fb3b4836c4acbc614cd8cdf505edd2fa8a1f20b942a1f43

Windows

v0.8.1 · x64
161 MB · 含模型 x64 Windows 10/11

随包附带 SenseVoice 与运行库,装完即可离线使用。安装包未签名,SmartScreen 可能提示「更多信息 → 仍要运行」。

fed58b67908cc3a7b78be54dfb51cf244c3a278d0e2412c6a9e25819bcd21a44

校验方式:shasum -a 256 文件名(macOS)或 certutil -hashfile 文件名 SHA256(Windows)。 也可以从 GitHub Release 下载同样的安装包。

FAQ

先回答你可能担心的。

01 真的完全离线吗?

识别是离线的。音频从麦克风进来后只在本机处理,产品里没有上传音频的通道。

但「离线」不等于「永不上网」:首次使用要下载模型;可选的 LLM 润色会把文字发到你配置的服务端(默认关闭);可选的诊断上传会发脱敏日志(默认关闭,不含正文)。除此之外没有遥测。

02 支持 Intel Mac 或 macOS 12 吗?

暂不支持。当前 macOS 版只提供 Apple Silicon(arm64)构建,要求 macOS 13 及以上。Intel 机器可以关注后续版本或从源码自行构建。

03 打开时提示「无法验证开发者」怎么办?

安装包没有做 Apple 公证,这是预期行为。到「系统设置 → 隐私与安全性」,在页面下方点「仍要打开」,再确认一次即可。Windows 上对应的是 SmartScreen 的「更多信息 → 仍要运行」。

04 我的语音会被上传或用于训练吗?

不会。音频只在本机内存中流转,不落盘、不上传。开启可选的 LLM 润色时,发送的是识别后的文字和你配置的服务端地址,音频仍然不出本机。诊断包默认不含正文。

05 一次能说多久?

单个听写会话最长 120 秒,内部按 ≤30 秒切段自动接续。Qwen3 精度档只适合短句,超过 30 秒请用 SenseVoice。

06 收费吗?模型需要另外买吗?

完全免费,源码开源。模型来自 sherpa-onnx 上游发布,不需要额外授权费用;体积从 0.5MB 到 879MB 不等,按需下载。

07 和系统自带听写有什么不同?

系统听写更通用;字在把几件具体的事做深:长听写 120 秒、热词自学习、选区改写、按 App 选择上屏方式、声纹只收自己的声音,以及可自行核对的本地识别链路。它不替代系统听写,适合每天要写很多字的人。

说一句,字就在。

下载、按住、松手。第一次使用大约需要三分钟,包括下载模型。