VoiceInput

VoiceInput

按一下快捷键说话，中英混说，识别结果直接写进当前光标。
完全在本机运行：识别全程不联网、不花钱、音频不出你的电脑。

Local Chinese–English dictation for Mac and Windows. Nothing leaves your machine.

还能录会议：边录边出字，当场分出说话人，停下就能读。Mac 和 Windows 都有。

检测到 Intel 芯片的 Mac。VoiceInput 的准确模式依赖 Apple Silicon 的神经网络加速，目前只提供 Apple Silicon（M1 及以后）版本。
检测到 Windows。会遇到两次安全提示，都是正常的，下面有图解。 原因是这个安装包还没有购买微软的代码签名证书——Windows 因此不认识它，而不是它有问题。 怎么装 →

Windows 上会遇到两次提示

这两个提示的意思都是「没见过这个文件」，不是「检测到病毒」。 Windows 判断一个程序可不可信，看的是它有没有买代码签名证书、以及有多少人下载过。 VoiceInput 目前两样都没有——它是个刚发布不久的小工具。要不要装，你自己判断； 下面有校验方法，可以确认你下到的文件和我发布的是同一个。

1

下载时，浏览器说「isn't commonly downloaded」

点这条提示右边的 ⋯（三个点），选 保留 / Keep。 如果还追问一次，选 仍要保留 / Keep anyway。

2

双击安装时，出现蓝色的「Windows 已保护你的电脑」

点左下角的 更多信息 / More info，展开后再点 仍要运行 / Run anyway。

想先确认文件没被动过？ 每个版本的 发布页 都附了 SHA-256 校验值。在 PowerShell 里跑 Get-FileHash 安装包路径，对得上就是原件。

你说：「我们用 Anthropic 的 API 部署 Kubernetes 集群，笔记记到 Obsidian。」
写入：我们用 Anthropic 的 API 部署 Kubernetes 集群，笔记记到 Obsidian。
用时：松开快捷键后 0.3 秒 · 5 秒语音 · 本机 GPU

为中英混说而做

技术讨论、和 AI 助手对话、写公众号——一句话里夹着英文产品名和术语，是常态，不是例外。

bolt

边说边出字

说话时浮窗里实时显示预览；停下来的句子会在后台提前送去精确识别，所以再长的口述，松手后也只等零点几秒。Windows 上则是先写入、再由精确模型在后台复核。

verified

专有名词认得准

你的词汇包会作为提示交给识别模型：公司名、产品名、人名，说一次就写对。改过的错误会被自动学会。

keyboard

写进任何输入框

不换窗口、不复制粘贴。文字直接出现在你正在用的地方——聊天框、编辑器、浏览器、笔记软件。

lock

音频不出机器

识别模型跑在你自己的电脑上，识别全程不联网。没有账号、没有订阅、没有上传。只有检查新版本会联网，可以关掉。

auto_fix_high

越用越像你

你在输入框里顺手改掉的错字会被记住；反复出现的英文术语会自动整理进个人词汇。全部在本机完成。

history

本地历史（可选）

默认不保存。开启后每次听写加密存在本机，可搜索、可导出，密钥只在你的钥匙串（Mac）或 Windows 账户保护里。

会议录音，录完就能读Mac & Windows

录完一小时的会，通常还要再等十几分钟才整理得出文字。VoiceInput 边录边转写、边分说话人——你按下停止，记录几乎立刻就在眼前。

graphic_eq

边录边出字

文字在录音过程中就一句句出现，不是录完再从头整理。所以结束后不用等——一小时的会也只差最后几秒。

groups

自动分出说话人

按声音特征当场分成「说话人一」「说话人二」，按下停止时再拿整段录音把人数重新核对一遍——人数是算出来的，不是靠一个固定的距离猜的。录完可以给他们起真名，整篇跟着一起改；你知道确切人数的话，也可以直接告诉它。

picture_in_picture

开会时只剩一条小浮窗

暂停、继续、停止三个按钮，想看实时文字就展开。开会的时候你在看人，不是在看电脑。

play_circle

文字对着录音听

点记录里的任何一句，就跳到那一刻播放，正在播的那句会高亮。识别总有听错的地方，录音是唯一的准绳。

ios_share

想怎么带走都行

拷贝全文、拷贝纯文字、导出 Markdown，或者直接保存、发送录音文件本身。

lock

一样不出这台电脑

录音、转写、分说话人全部在本机完成。音频不上传，也不经过任何服务器。Mac 和 Windows 用的是同两个说话人模型。

录之前请先说一声。美国有些州（加州、佛州、宾州等）要求录音必须经所有参与者同意。VoiceInput 不替你做这件事——它只负责录音和整理都留在你自己的电脑上。

三步开始

首次运行会下载识别模型（Mac 约 1.5 GB，Windows 约 1.1 GB，只下一次），之后完全离线。

安装并授权

Mac：把 VoiceInput 拖进「应用程序」，第一次打开时允许「麦克风」和「辅助功能」——后者是它能把文字写进其他 App 的唯一途径。Windows：运行安装包，它会常驻托盘，不需要额外权限。

把光标放到要输入的地方，按下快捷键

Mac 默认 ⌘D，Windows 默认 Ctrl+Alt+D。说话时浮窗会显示实时预览；再按一次结束，文字就写进去了。

喂它你的词汇

在设置里粘贴一段常用的专有名词（或让 AI 助手帮你整理一份），识别模型会优先按你的写法输出。

系统要求

MacApple Silicon（M1 及以后）· macOS 14 或更新 · 16 GB 内存 · 约 2 GB 磁盘
WindowsWindows 10（1809+）/ 11 · x64 或 ARM64 · 8 GB 内存 · 约 2.5 GB 磁盘（安装模型时的峰值）
网络仅首次下载模型时需要

常见问题

为什么需要「辅助功能」权限？

macOS 只允许拥有辅助功能权限的 App 把文字写进其他 App 的输入框。VoiceInput 只用它做这一件事：定位光标、写入文字、确认写入成功。它不读取你其他的屏幕内容。

识别效果不好怎么办？

八成是专有名词。把你常说的公司名、产品名、人名加进设置里的词汇包，识别模型会按你的写法输出。你在输入框里改过的错字，它会自动学会，下次不再错。

支持 Intel 芯片的 Mac 吗？

暂不支持。准确模式的识别模型依赖 Apple Silicon 的 GPU 加速。

Windows 版和 Mac 版有什么不同？

功能一致：同样的快捷键流程（Windows 默认 Ctrl+Alt+D）、词汇包、纠错学习、加密历史，以及同样的会议录音——录音、分说话人、实时转写，用的是同两个模型。一处不同：Windows 没有 Mac 的 GPU 加速，所以结束后先在半秒内把实时识别的文字写进去，Qwen3-ASR 随后在后台复核专有名词——有出入、而且你还没继续打字时，会原地替换成复核后的写法。安装包暂未签名，首次运行 SmartScreen 会提示，点「更多信息」→「仍要运行」。

下载或安装时 Windows 弹出安全提示，安全吗？

那两个提示的意思是「没见过这个文件」，不是「检测到病毒」。Windows 判断一个程序可不可信，看的是它有没有买代码签名证书、以及有多少人下载过——VoiceInput 目前两样都没有。下载时点提示右边的「⋯」→「保留」；安装时点「更多信息」→「仍要运行」。想先确认文件没被动过，每个版本的发布页都附了 SHA-256，在 PowerShell 里跑 Get-FileHash 对一下即可。Mac 版没有这个提示，因为它用 Apple 的开发者证书签过名并通过了苹果公证。

会议录音能录多长？处理要等多久？

没有时长限制。因为文字是在录音过程中就一句句出来的，停止之后只需要处理最后几秒——半小时、一小时的会，按下停止后几乎立刻就能读。录音文件和转写都存在本机，可以随时回放、重新整理。

会议录音能录到线上会议里别人的声音吗？

它录的是你选的那个麦克风。面对面开会直接录就行；Zoom、Teams 这类线上会议要录到对方的声音，需要先装一个把系统声音送回输入端的工具（例如 BlackHole），在设置里把它选成输入设备。

我的语音和文字会上传吗？

不会。识别在本机完成，没有账号、没有服务器。历史记录默认关闭，开启后也只在本机加密保存，密钥在你的钥匙串里。