Skip to content

yangboy91/voice-input

BranchesTags

Repository files navigation

语音输入 · Voice Input

个人版 Wispr Flow / Typeless ——按住热键说话，自动转写、清洗、粘贴到光标处。中文优先，macOS 菜单栏应用。

A personal Wispr Flow / Typeless ——hold a hotkey, speak, and get clean text pasted at your cursor. Chinese-first, macOS menu-bar app.

链路 / Pipeline: 麦克风 Mic → 语音识别 ASR → LLM 语义清洗 LLM polish → 模拟粘贴 paste-at-cursor

亮点 / Highlights

  • 🇨🇳 中文优先 —— 默认用 Paraformer + DeepSeek，国内可达、极便宜。Chinese-first stack that Western tools ignore.
  • 🧠 上下文感知 —— 读光标前文字，新句自然衔接上文；记住最近口述统一术语；按 app 自动切风格。Context-aware: reads text before the cursor so new dictation flows naturally.
  • 🔌 后端可换 —— 云端（便宜）或全本地离线（免 key、免联网）。Cloud or fully-local offline backends.
  • 🪶 菜单栏轻应用，开机自启，按住 Option 即用。Lightweight menu-bar app with login-at-startup.

⚠️ 个人项目，按自己需要做的，开源供参考/自用。PR welcome，但维护精力有限（低支持）。 A personal project, open-sourced for reference / self-use. PRs welcome, but low-support.

两种后端 / Two backend modes

语音识别 ASR 语义清洗 Polish 成本 Cost 需要 Needs
云端 Cloud（默认 default） 阿里云 Paraformer DeepSeek 极低 ~¢/次 API key
本地 Local mlx-whisper Ollama 免费 Free 自装模型 self-host models

云端中文最准、最省心；本地完全离线、免 key。可分别选（如本地识别 + 云端清洗）。 Cloud is most accurate & turnkey; local is fully offline & key-free. Mix freely.

切换 / Switch in config.py: ASR_BACKEND = "paraformer"|"local"，POLISH_BACKEND = "deepseek"|"ollama"。

快速开始 / Quick start

git clone https://github.com/yangboy91/voice-input.git
cd voice-input
./build.sh                 # 建环境、打包、签名、安装 / setup, build, sign, install
cp .env.example .env       # 仅云端后端需要 / only for cloud backends
# 编辑 .env 填 key / edit .env with your keys

build.sh 完成后双击生成的 语音输入.app。首次需授权（见下）。 After build.sh, double-click the generated 语音输入.app. Grant permissions on first run.

申请 key（仅云端） / Get keys (cloud only)

走本地（免 key） / Go local (no keys)

source .venv/bin/activate
pip install -r requirements-local.txt          # 本地识别 / local ASR (mlx-whisper)
# 本地清洗 / local polish: 装 Ollama (https://ollama.com) 然后 ollama pull qwen2.5
# 在 config.py 设 ASR_BACKEND="local" / POLISH_BACKEND="ollama"，重启 app

权限（首次必做） / Permissions (required on first run)

三个权限都授给 「语音输入」，系统设置 → 隐私与安全性。 Grant all three to 语音输入 in System Settings → Privacy & Security.

权限 Permission 作用 For 怎么给 How
Accessibility 辅助功能 模拟粘贴 paste + → ~/语音输入/语音输入.app → 打开
Input Monitoring 输入监控 全局热键 hotkey 同上 same
Microphone 麦克风 录音 recording 首次录音自动弹窗 auto-prompts

授权前两个后重启 app 生效（trust 在启动时检查）。 Restart the app after granting the first two (trust is checked at launch).

🎤 图标可能被刘海/溢出区挡住，不影响打字（热键全局生效）。装 Ice/Bartender 可整理。 The menu-bar icon may hide behind the notch; doesn't affect dictation (the hotkey is global).

用法 / Usage

  • 按住 Option 键（左右都行）说话，松开即出字。Hold Option, speak, release → text appears.
  • 菜单栏图标 / Icon: 🎤 就绪 idle · 🔴 录音 recording · ⏳ 处理 processing
  • 菜单项 / Menu: 「语义清洗」开关、「上下文感知」开关、「清洗风格」（书面/口语/邮件）。 Toggle polish, toggle context-awareness, pick style (written / spoken / email).

配置 / Configuration

都在 config.py，改完只需重启 app，不必重打包（见架构）。All in config.py; edit & restart, no rebuild.

项 Key 说明
ASR_BACKEND / POLISH_BACKEND 选后端 / pick cloud vs local
HOTKEY_KEYCODES 热键键码 / hotkey (左Option=58 右Option=61 右Cmd=54…；fn 不可用 fn unsupported)
POLISH_STYLES / POLISH_STYLE 清洗风格 / polishing styles (menu-switchable)
VOCAB 专属词汇表：既偏置 ASR 让名字/术语听得对，也在清洗时不被纠错 / glossary that both biases the ASR (hot words) and is preserved during polish
HOTWORDS_ENABLED / HOTWORD_WEIGHT 热词偏置开关与权重(1-5) / ASR biasing toggle & weight
APP_PROFILES 按 app 自动套风格/词汇 / per-app style & vocab
LOCAL_ASR_MODEL / OLLAMA_MODEL 本地模型名 / local model names
CONTEXT_ENABLED, PRECEDING_CHARS, HISTORY_SIZE 上下文参数 / context params

热词偏置 / Hot-word biasing: 往 VOCAB 里加人名/术语后，云端会自动建 Paraformer 热词表(vocabulary_id，按内容缓存)、本地会拼成 Whisper initial_prompt——让这些词在识别第一步就听对，而不是事后补救。VOCAB 为空时零副作用。Add names/terms to VOCAB and they bias the recognizer itself (Paraformer hot words / Whisper initial_prompt), fixing them at the source.

架构：为什么改代码不用重打包 / Architecture: edit without rebuilding

.app 是个固定外壳（bootstrap.py 入口 + 打包好的 Python 依赖）；真正的业务代码运行时从源码目录动态加载。 The .app is a fixed shell (bootstrap.py + bundled deps); the real code loads from the source dir at runtime.

  • 改代码/配置 → 只重启 app（pkill -f 语音输入.app/Contents/MacOS; open ~/语音输入/语音输入.app）。Edit → restart.
  • 外壳不变 → 签名 hash 稳定 → 权限授一次永久有效。Stable signature → permissions persist.
  • 只有加新 pip 依赖才需重跑 ./build.sh。Only rebuild when adding pip deps.
  • 源码目录解析：VOICEINPUT_SRC 环境变量 → build.sh 写的指针文件 → ~/语音输入。

签名与公证见 SIGNING.md。Signing & notarization: see SIGNING.md.

现状与限制 / Status & limitations

  • macOS 限定，仅在 Apple Silicon 验证过。macOS only, tested on Apple Silicon.
  • 未公证：自己 build，首次过一下 Gatekeeper。Not notarized; self-build, clear Gatekeeper once.
  • 云端后端需自开通付费 API；本地后端需自装模型（实验性，欢迎反馈）。Cloud needs paid APIs; local backends are experimental.
  • 单用户、菜单栏工具，非企业级。Single-user menu-bar tool.

文件结构 / Layout

文件 File 作用 Purpose
bootstrap.py 固定外壳入口，运行时加载 app / fixed shell entry
app.py 菜单栏 + 热键 + 录音/上下文编排 / menu bar, hotkey, orchestration
asr.py / asr_local.py 云 Paraformer / 本地 Whisper 识别 / cloud & local ASR
hotwords.py VOCAB→ASR 偏置（热词/initial_prompt）/ bias ASR toward VOCAB
polish.py DeepSeek/Ollama 语义清洗 / pluggable polish
context.py 读光标前文字 + app 识别 + 历史 / context capture
output.py 剪贴板 + 模拟粘贴 / clipboard paste
config.py 全部配置 + SSL 补丁 / all config
setup.py / build.sh 打包 / build

License

MIT — see LICENSE.

About

按住热键说话→转写→LLM清洗→粘贴到光标。中文优先，上下文感知，云端或本地后端。Hold-to-talk dictation for macOS: ASR→LLM cleanup→paste. Chinese-first, context-aware, cloud or local backends.

Resources

Readme

License

MIT license
Activity

Stars

2 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages