Voltip:按住热键说话松开就上屏,离线模型也能用的语音输入

一、问题是什么

在任意软件里打字,想靠说话把内容弄进去,通常要来回切工具:先录,再等转文字,再复制粘贴。中途还得处理标点错、专有名词错、中英混排乱。想让文字更顺,又要再找工具润色一遍。更麻烦的是音频到底发给谁,心里没数;手机录的还要想法子弄到电脑上。Voltip 想解决的正是这段来回折腾:把说话、识别、润色、落到光标这几步并成一件事,按住热键说,松开文字就到当前输入框,而且让你能自己选云端还是本机识别。

二、核心设计/机制

Voltip 的核心是一条本地优先的听写流水线。电脑端按住全局热键开始录音,松开结束,识别交给云端服务或你自己电脑上的模型;有英伟达显卡或苹果芯片时本地模型能调用显卡加速,没有就用中央处理器。识别时还有流式模型做实时预览,说完可选整块、逐句或直接按流输出。文字出来后,可选地交给大语言模型润色,再经个人词典和替换规则修正易错词,最后注入到当前有焦点的应用光标处。手机和电脑配用时走加密中继,中继只转发加密流量看不到内容。整套设计的关键在于:引擎可换、文本可改、落点就是光标,省掉复制粘贴。

三、功能拆解

1. 按住说话:默认 Ctrl+Alt+Space,也可用右 Ctrl 或鼠标侧键;支持按住说、按一下开再按一下停、轻触锁定长录音,浮动药丸实时显示音量、转录和结果。

2. 识别引擎可选:云端有 OpenAI、Groq、SiliconFlow、阿里云 Model Studio 及任何 OpenAI 兼容端点;本机有 Qwen3-ASR 0.6B/1.7B、SenseVoice、Paraformer。

3. 实时预览:流式 Zipformer 模型边说边出字,输出可选整块、逐句或直接从流。

4. 文本润色:支持 Google AI Studio、DeepSeek、Kimi、智谱 GLM、火山 Ark、腾讯混元、小米 MiMo、OpenRouter 与本地 Ollama 等。

5. 词典与规则:个人词典修正识别器老错的词,字面和正则替换,简体繁体中文规范化。

6. 语音编辑:选中文字按住 Ctrl+Alt+E,说“更正式一点”“翻成英文”,新文本直接替换选中内容。

7. 场景切换:按你启动录音时正在用的应用,自动切该次的润色风格、输出模式、语言与额外指令。

8. 长录音:可录麦克风、电脑内放或两者混合,单次最长两小时,边录边分段转写,历史里可让预设分块翻译或摘要,导出 SRT 字幕或纯文本。

9. 手机当外设与独立用:Android 扫码或六位码配对,音频端到端加密中继,也能打字或发剪贴板落到电脑光标;脱离电脑时手机能自己识别润色并复制。

四、适合谁、不适合谁

适合:写作者、程序员、客服、学生和多语种用户,只要需要在各种应用里频繁语音输入,又想掌控音频去向。手上有英伟达显卡或苹果芯片、愿意跑本地模型的人,能让音频完全不出机器。想把 Android 手机当电脑麦克风和键盘、或要单次两小时录音导出字幕的人,也对路。不适合:没有麦克风权限或反感全局热键占用的人;纯 Wayland 又不愿绑合成器快捷键的人;没有本地算力又不愿把音频发云端的隐私敏感用户;需要 iOS 客户端的(还在计划中);以及要求正式代码签名或公证才能装的企业环境,Windows 包未签名,macOS 包自签名未公证。

五、诚实提醒

先说清边界:从源码自己构建不带默认识别与润色服务,得自己配提供商或下载模型,开箱即用指的是发布包。隐私上,选云端引擎音频就会发到那家服务商,选本机模型才不出设备;手机独立模式不含本地模型,仍要走云端。安装体验有坑:Windows 包没做代码签名,首次启动会有 SmartScreen 警告;macOS 包自签名未公证,首次要从隐私与安全里点仍要打开,或手动去除隔离属性。Linux 有运行时依赖门槛,glibc 要 2.34 以上,.deb 还依赖 WebKitGTK、Vulkan、BLAS 等库。iOS 应用尚未发布。云端提供商的密钥要自己准备,具体资费和额度 README 没写,实际以所选服务为准。

六、项目现状

Voltip 跨平台覆盖 Windows 10/11、Linux x64、macOS 11+ 与 Android 8.0+,提供桌面、服务器与手机端,iOS 还在计划中。项目有持续的版本发布与持续集成、覆盖率检查,文档比较齐全,用户指南有中英文版本,设计文档用中文写成。许可方面采用 AGPL-3.0-or-later,0.0.20 及更早版本为 Apache 2.0。发布包附带默认识别与清理服务,开箱即可听写。具体 star 数与维护节奏以项目文档为准。

七、常见问题

问:Voltip 免费吗?

答:代码以 AGPL-3.0-or-later 开源,发布包自带默认服务,开箱能听写。云端提供商一般要你自己的密钥,存系统钥匙串;资费和额度 README 没写,以所选服务为准。

问:支持哪些平台?

答:Windows 10/11、Linux x64、macOS 11+、Android 8.0+ 64 位 Arm。无桌面的 Linux 服务器可跑本地语音服务,iOS 尚未发布。

问:和普通语音输入有什么不同?

答:能完全本机识别、音频不出机器;Android 手机既能当电脑麦克风键盘也能独立用,配对走端到端加密;还支持长录音、语音编辑、场景与自定义词典。

问:音频会被上传到哪里?

答:只发给你选的识别服务,选本机模型就不离开设备。密钥存系统钥匙串且保存后不再显示,历史留在本机可限制或关闭;中继转发的是加密流量,看不到内容。

问:能让别的程序复用识别吗?

答:可以。设置里打开本地服务,或在无桌面 Linux 服务器跑 voltip-server,提供 OpenAI 兼容接口,只监听本机且每个请求带 token。

问:源码构建和发布包差别在哪?

答:源码构建不带默认服务,得自己选提供商或下载模型;发布包自带。要把默认配置编译进去,可复制 .env.build.example 为 .env.build 再填。

下载地址

夸克网盘(永久有效):https://pan.quark.cn/s/726830c0395a

本教程由「宝藏星球屋」整理,更多软件、游戏、开源项目都在 https://cbge.top。

本站全部免费,如果觉得内容有用,可打赏支持服务器续费打赏支持
固定文章缩略图

新人必看的入站详细说明指南

解决的你的各种疑难杂症以及各种相关教程

前往查看 »
© 版权声明
THE END
喜欢就支持一下吧
点赞33 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容