五分钟上手
如果你已经装好并授权,只需要记住三件事:
- 按住右 Option(Windows 为右 Alt),浮层出现「在听…」和电平条。
- 说话,准流式文字每 900ms 刷新一次,但此时还没上屏。
- 松开,文字进入当前输入框;按 Esc 可以取消。
说错了但已经上屏:用系统的 ⌘Z / Ctrl+Z 撤销。双击热键可以取回上一次听写结果,不用重说。
安装与权限
安装包与校验值在下载页。两个平台都没有代码签名,首次打开会被系统拦一次,这是预期行为。
macOS 的三项权限
| 权限 | 位置 | 不给会怎样 |
|---|---|---|
| 麦克风 | 系统设置 → 隐私与安全性 → 麦克风 | 收不到声音 |
| 辅助功能 | 系统设置 → 隐私与安全性 → 辅助功能 | 没法粘贴上屏,单键热键不响应 |
| 输入监控 | 系统设置 → 隐私与安全性 → 输入监控 | 键盘监听或合成 ⌘V 可能失败 |
从终端直接运行二进制会继承终端的授权,权限读数可能是假阳性。判断权限是否真的生效,请以双击启动的副本为准,或看菜单栏「权限状态…」。
Windows
解压后双击 install-win.bat 建快捷方式;首次启动会走五步引导。设置页支持 Tab / Shift+Tab 移动焦点、Ctrl+Tab 翻页、Esc 关闭。
浮层与状态
浮层不抢焦点,只显示在屏幕底部。它的状态很直接:
- 在听…:正在收音,右侧秒数在涨;电平条随音量跳动。
- 识别中…:你已松手,本机正在收尾。
- 已上屏:文字已注入当前输入框。
- 太短了 / 声音太小了:本次丢弃,不会把幻觉文字打进文档。
浮层里出现的准流式文字只是预览,不会自动上屏;真正写进去的是松手后的最终结果。
快捷键
| 操作 | macOS | Windows |
|---|---|---|
| 按住听写 | 右 Option(可改) | 右 Alt(可改) |
| 取消本次 | Esc / ⌘. | Esc |
| 取回上次结果 | 双击热键 | 双击热键 |
| 选区改写 | ⌘E | 托盘菜单 |
| 设置 | ⌘, | 托盘右键 → 设置 |
| 统计与历史 | ⌘H | 托盘右键 → 历史 |
| 退出并重新打开 | ⌘⇧R | 托盘右键 → 退出后重启 |
润色档位快捷键默认为 ⌃⌥1 / ⌃⌥2 / ⌃⌥3,可在设置里改。
长听写
一次听写会话最长 120 秒。内部按单段不超过 30 秒切分,自动接续,不需要你说到一半停下来重新按。
适合口述周报、会议纪要、长段邮件。需要停顿思考时,继续按住即可;VAD 会把过长静音当作分段点。
引擎与模型
两个引擎都在本机跑,不联网:
- SenseVoice int8(默认):233MB 下载 / 247MB 解包。25 条 TTS 金标语料 CER 0.093(中 0.028 / 英 0.125 / 混 0.159)。适合日常与长听写。
- Qwen3-ASR int8(精度档):879MB / 972MB。同语料 CER 0.040,但速度约慢 3 倍,峰值内存约 1.6GB,只建议短句。
设置 → 引擎可以直接点「下载」,完成后一键切换。也可以到模型页手动下载后放进模型目录。
另外三个小模型:标点 65MB、声纹 39MB、GTCRN 降噪 0.5MB、silero VAD 0.6MB。除 SenseVoice 外的模型都可以不用。
热词
热词是一张「听错的说法 → 正确写法」的表。例如把「深度求索」映射到 DeepSeek,把「通义」映射到 Qwen。
两种添加方式:
- 设置 → 热词,手动增删改,⌘S 保存。
- 上屏后你亲手改了某个词,应用会在约 15 秒内发现这次编辑,把「原词 → 新词」放进「学到的改法」,等你采纳或忽略。
热词页还会从历史里挑高频词作为建议,一键加入。热词表改动后立即生效,不需要重启。
上屏方式
两种策略,默认「粘贴」:
- 粘贴:把文字放进剪贴板再合成 ⌘V / Ctrl+V,快,绝大多数 App 可用。
- 逐字打字:逐个字符注入键盘事件,慢一些,但在终端、远程桌面、游戏输入框里更稳。
设置里可以给单个 App 覆盖策略,例如「终端一律逐字」。密码框会自动拒绝逐字上屏;提权窗口与部分特殊控件无法注入,这是系统限制。
如果提示「上屏结果未知」,文字已经保存在内存里,可以从菜单栏「复制上次结果」取回,再手动粘贴。
隐私模式
开启后同时做三件事:
- 不写入历史记录;
- 失败音频不落盘;
- 浮层不显示识别文本,只显示状态。
适合会议、客服、医疗等场景。注意:隐私模式不改变上屏行为,文字仍然会进入你当前的输入框。
无论是否开启,识别链路的音频都不会离开本机。产品里只有三个网络出口:模型下载、可选的 LLM 润色、可选的诊断上传。详见隐私说明。
声纹与音源锁定
只识别我的声音:先录 8 秒声纹(本机 39MB 模型),之后只让匹配的声音进入识别。适合多人会议里只想记自己发言。
音源锁定(实验):按段判断声源,插话多的场景可以更干净;但它按段丢弃,可能误伤你自己的话。旁边人声一直插话、而你想全记下来时,关掉它。
润色与选区改写
润色需要你填一个 OpenAI 兼容的 API 地址与 Key(默认 DeepSeek)。默认关闭;开启时应用会提示「这段文字会离开本机」。
- 润色档位:轻度 / 标准 / 强,快捷键默认 ⌃⌥1–⌃⌥3。
- 选区改写:选中文字后按 ⌘E,可选润色、正式、精炼、英文、总结五种。结果可就地替换。
发出去的是识别后的文字与你配置的服务端地址;音频仍然不出本机。不用时保持关闭即可。
局域网听写
实验功能,默认关闭。设置 → 音频 →「局域网听写接口(实验)」打开,改完需要重启应用。
它只做「音频 → 文字」:不上屏、不写历史、不动剪贴板。默认只监听 127.0.0.1:8765;要让手机访问,必须打开「允许局域网」并设置 token。
# 探活
curl -s -H "x-eryu-token: 你的token" http://127.0.0.1:8765/health
# 发一段 16kHz 单声道 WAV,取回文字
curl -s -H "x-eryu-token: 你的token" \
--data-binary @speech.wav \
http://127.0.0.1:8765/transcribe
排障
按了键没反应
看菜单栏 / 托盘图标有没有变化。没有变化说明热键没接住:检查设置 → 通用里是否有「冲突」红字,以及辅助功能、输入监控两项权限。刚授权完,用「退出并重新打开」再试。
浮层出来了但没字
看浮层右侧秒数是否在涨:不涨是麦克风没录到(查设备、静音键、输入音量);涨了但一直「在听…」通常是你还没说完整句,VAD 没封口。
提示「声音太小了」
峰值低于 2% 一律不上屏,这是防幻觉策略。靠近麦克风,或把系统输入音量拉高。
提示「太短了」
默认最短 400ms。双击热键可以取回上一次结果,不用重说。
文字没进输入框
提权窗口、密码框、部分自绘控件无法注入。切「逐字打字」再试,或从菜单复制后手动粘贴。
权限明明给了还是不行
大概率是同一份 app 有多个副本,各自独立授权。只保留一个,移动后再授权。也可以看菜单栏「权限状态…」或 /tmp/eryu-perm.json。
数据与卸载
数据都在本机,不上传:
- macOS:
~/.eryu/(config.toml、models/、history.json、stats.json)。 - Windows:
%APPDATA%\Eryu\;exe 旁放portable.txt可改为便携模式。 - 历史最多保留 200 条,可在设置里清空;统计含 p50 / p95 延迟。
卸载 macOS:退出应用,把 app 移到废纸篓;需要彻底清除时再删 ~/.eryu。
卸载 Windows:双击 uninstall-win.bat,或运行 uninstall-win.ps1 -PurgeData 连配置、模型、历史一起删。
命令行自测
macOS 版二进制在 Eryu.app/Contents/MacOS/Eryu,这些命令不需要辅助功能权限:
--diagnose 引擎 / 模型 / 设备 / 历史 / 权限状态
--mic-test 3 真实麦克风 → VAD → 识别,打印结果
--self-test 固定文字 → 事件流端到端
--print-last 取回崩溃前没上屏的那条
--dump-config 当前生效的 config.toml
遇到问题,优先用设置 → 诊断页的「复制状态」,它比截图更有用。