声墨 · VoxInk

想法：语音输入缺的不是识别率

你对着手机说一段话，转出来的字基本都对——但你多半不会直接把它发出去。真正卡住的是口语和书面语之间那道工序：填充词要去掉、语序要重排、语气要换成合适的分寸、专有名词还得写对。

这个工具就是补上这道工序的。它把语音输入拆成三段，每段只做一件事：

第一段听清，第二段成文，第三段把文字放到对的地方

已经实现的功能

一、听清

• 云端实时识别：按下按键就建立连接，边说边出字；实时模式下停顿 0.5 秒即断句，说完一句立刻落字，不用等整段结束。
• 本地识别兜底：云端不可用时自动切到本地模型，离线也能用；两个引擎在托盘菜单里可随时手动切换。
• 热词表外置成文本文件：一行一个词，专治人名、公司名、产品型号这类"识别永远会错"的词。改完保存立即生效，不用重启；同一份清单在识别阶段作为偏置提示、在整理阶段作为专有名词基准。
• 只转文字：按住说话时同时按一个修饰键，跳过整理，忠实记录原话——需要一字不差时用。

二、整理

• 按窗口自动判断场景：取前台窗口的进程名，必要时看窗口标题（网页版邮箱就是这样识别的）。覆盖聊天消息、工作邮件、正式文档、AI 提示词五类，加一个通用兜底，不需要手动切换。

  同一句口语，四种写法：

  

• 三档润色强度：轻度只去口头禅与改口、保留原话用词；标准重组成通顺的书面语；深度按逻辑重排，先说结论再说细节。

• 五条写死的护栏：不添加原文没有的事实、数字与承诺；保留说话人的确定程度（“可能"不能写成"确定”）；说错改口只留最终说法；口头禅与重复直接删掉；同音错字结合上下文纠正，没把握就保持原样。

  

• 边说边翻译：输出语言可切中文 / English / 日本語，说中文直接输出译文，专有名词保持原样。

六、语言与方言

识别引擎按多语种与方言设计，开口前不需要先选模式：

能力来自识别引擎本身：本地为 Fun-ASR-Nano（中文含 7 方言与 26 口音、英文、日文），云端为实时识别引擎；两者在托盘菜单里可随时切换。

三、落到光标

这一层全是细节，但每一处都决定"能不能天天用"：

• 提示条不抢焦点：状态提示显示、置顶，但绝不成为活动窗口——否则你正在打字的窗口会失去焦点，粘贴就落到错误的地方。
• 粘贴前等按键松开：按住说话的键还没松，程序不会抢先发送粘贴组合键。
• 剪贴板备份并还原：粘贴临时占用剪贴板，输入完成后还回原内容，不丢你复制到一半的东西。
• F8 换个说法：整理得不合心意时按一下，程序撤销上一版、用不同措辞重新生成再粘贴；可以连续按，每次句式都不一样。
• 选中文字 + 语音指令：选中一段文字后按住指令键说"改成更正式的语气"，结果直接替换选中内容——改写、翻译、缩写、总结都是同一套交互，等于一个语音驱动的文本编辑。
• 单实例运行：用本地端口做互斥，重复启动会提示"已经在运行"，不会起两个实例抢麦克风。

四、快捷键

声纹闸门（硬件方向）

三段链路之外再加一道闸门：只有本人的声音会被写下来。采集之后、识别之前，由设备上的语音处理单元（VPU）比对声纹；判定为非本人的语音段整段丢弃，不产生任何输入。判定在设备侧完成，音频不出设备。

设备负责听清、也只写本人的声音；主机负责成文

当前状态：这一节是硬件方向的能力规划，软件版本还没有声纹链路——需要采集侧硬件（麦克风阵列 + VPU + 物理按键）先落地。

五、隐私与可控

• 密钥不留明文：所有 API Key 存在 Windows 凭据管理器里（按当前账户加密）；早期版本留下的明文密钥文件会被自动转存并清空删除。
• 历史只存本机：每条记录写入本地一个 jsonl 文件（场景、音频时长、识别文本、整理结果），托盘菜单里可以一键关闭；“最近记录"点一下即复制。
• 云端失败自动降级：识别与整理任一环节失败都会回落到本地，输入过程不会中断。
• 托盘即控制台：状态与今日统计（次数 / 字数 / 说话分钟）、输出模式、识别与整理引擎、输出语言、润色强度、场景自动切换、历史开关、编辑热词、设置密钥，全部在托盘菜单里完成。

一次使用到底要等多久

产品页最容易吹的就是速度，所以这里放实测数据。下表来自本机运行日志里的 19 次口述记录（聚合统计，不含任何内容）：

这 19 次记录里没有一次失败。识别与整理的时间是相加的，所以两段都压到一秒以内，才敢说"松开就出字”。

屏幕上的每一步也都有反馈：正在听 / 识别中 / 已完成 / 出错，提示条按状态换色（见上图），托盘图标同步变色，余光就能确认。

配套硬件：耳机形态能补上的那一段

三段链路里，采集是软件唯一补不回来的一环——信息在这一步丢了，后面用什么模型都是在猜。而耳机形态刚好落在这一环上：它离嘴最近、腾得开双手、身上还有地方放按键。

设备负责采集与按键，主机负责成文

结论还是那句话：设备负责听清，主机负责成文。两者是分工，不是替代——所以这一步的形态大概率是"耳机 + 主机配合"，而不是把整套能力塞进耳机。

状态与下一步

• 已经能用（Python 版）：Windows 托盘版，上面的功能都在跑，日常自用中。
• Rust 版已经能跑：核心用 Rust 重写完成——release 单文件 2.14 MB（LTO + strip + abort，不需要安装任何运行时），12 个模块 1234 行；全局按键、音频采集、托盘、粘贴时序、剪贴板、凭据存储全部换成 Rust 生态的库（windows-sys / cpal / tray-icon / keyring / arboard），并新增开机自启。整理逻辑与提示词 1:1 移植。
• Rust 版的已知差异：本地识别引擎尚未移植，目前走云端实时识别（WebSocket 流式，边说边出字）。要完全离线，本地识别这一块还要接一次。
• 移动端：iOS 与 Android 版本在规划中，会陆续推出；首页对应入口可以先预约。
• 在想：配套硬件的形态。采集与按键这两段能不能交给耳机形态去做，以及用 VPU 声纹闸门把输入限制成本人——上面两节和这篇文章里都做了拆解。

目前是自用版本，没有对外发布。如果你在做类似的东西，或者想聊聊"口语怎么变成书面语"这件事，写信给我就好。