说话通常比打字快得多。Typeless、Wispr Flow 这类语音输入工具把这件事做得很好：按一个键说话，文字直接出现在光标处，还会顺手把口语整理通顺。但它们是付费订阅的商业软件，语音要传到它们的服务器上处理。
所以我做了 Aoide：一个 Windows 和 macOS 上的开源语音输入工具。语音在你自己的电脑上识别，不需要账号，不依赖任何云服务；想让文字更通顺，可以接上你自己的大模型。
Aoide（阿俄伊得）是希腊神话里掌管歌声与嗓音的缪斯。
它能做什么
日常用到的就是一个键：单击 右Alt（macOS 上是 右Option）开始说话，再单击一次结束，文字就填进当前的输入框。录到一半想放弃，按 Esc。
在这个基础上，它还能做这些事：
| 功能 | 怎么用 | 效果 |
|---|---|---|
| 语音转写 | 单击 右Alt → 说话 → 再单击 |
识别、润色后填进当前输入框 |
| 语音修订 | 选中一段文字 → 按住 右Alt 再按 Space → 说修改意见 |
大模型按你说的改写选中的文字并替换 |
| 语音翻译 | 按住 右Alt 再按 T → 说话 |
说中文，输出英文（或任何你设定的语言） |
几个值得一提的细节：
- 会整理，不会乱加。 大模型润色会去掉「嗯、啊、那个」，把断断续续的话连成完整的句子；说了几个要点，就整理成编号列表；一句话的短消息还是一句话。不会添加你没说过的内容。
- 在文字中间插入也自然。 光标在一段已有文字中间时，它会参考前后文，只生成应该插进去的那部分，语言和标点都和前后衔接，已有的文字一个字都不会动。
- 记住你的词。 人名、产品名、专业术语总被识别错？在输入框里改对一次就行。Aoide 会比对你的修改和它输入的内容，确认两者读音相近（不会把你换了个说法误当成识别错误），把这组纠正记进词库，以后自动改。
- 没地方输入也不丢。 焦点不在输入框里时，结果会显示在屏幕底部的一张卡片上，可以复制。
- 你随时知道它在干什么。 屏幕底部的悬浮条显示录音、识别、润色各个阶段，开始、结束、取消各有不同的提示音。
语音不出你的电脑
识别默认在本机完成，有两种引擎可选：
- SenseVoice（默认）：在任何 CPU 上都很快，中文准确，几乎不会「幻觉」出你没说过的话。支持中、英、日、韩、粤语。
- Whisper：通过 Vulkan 在显卡上运行（NVIDIA、AMD、Intel 都行，不用装 CUDA），Apple 芯片的 Mac 上用 Metal；没有可用显卡时自动退回 CPU。
如果你更想用云端识别，也可以填任意 OpenAI 格式的语音识别 API（OpenAI、Groq、硅基流动、自建服务都可以）。这种情况下，Aoide 仍然会先在本地切掉静音，没说话的录音不会上传。
润色、修订、翻译用的大模型同样是任意 OpenAI 格式的 API，本地或远程都可以。不配大模型也能用，只是输出的是原始的识别结果。
五天，62 次提交
Aoide 是我 vibe coding 出来的：从 10 月 20 日第一次提交，到 10 月 24 日发布 v0.5.7，一共五天、62 次提交、19 个版本，每一次提交都是和 AI 编程助手 Claude（在 Claude Code 里）一起完成的。
大概的进度是这样的：
- 第 1 天：第一个能用的版本（识别 + 润色 + 直接输入），当天晚上加上了「记住你的词」和自动更新。
- 第 2 天：macOS 版，日文键盘的默认快捷键，日文界面和日文说明。
- 第 3 天：项目主页；macOS 上在 Chrome、Firefox 的网页里也能直接输入；接入云端语音识别 API；晚上加上了语音翻译。
- 第 4、5 天：给词库加上限、优化 macOS 的权限申请流程，以及一大堆界面细节。
最后的程序是一个 Tauri 2 应用：后端约一万行 Rust，设置界面是纯 HTML、CSS 和 JavaScript。和操作系统打交道的部分（键盘钩子、模拟按键、找当前焦点、静音其他程序、悬浮条窗口、提示音）Windows 和 macOS 各写一套、接口相同，其余代码两个平台共用。识别用的 sherpa-onnx 是从源码构建的，去掉了语音合成模块，所以程序里不含任何 GPL 代码，整个项目可以用 MIT 许可证开源。
这五天里我做的事，主要是想清楚要什么、每天自己用、发现哪里不顺手再提出来改；绝大部分代码是 AI 写的。一个人用业余时间、几天内做出一个跨平台的桌面应用，在以前是不太可能的事情。
怎么开始用
Windows（Windows 10/11 x64）
- 从 GitHub Releases 下载
Aoide_x.y.z_x64-setup.exe并运行，不需要管理员权限。 - 第一次启动会打开设置窗口，点 下载 获取默认的识别模型（239 MB）。
- 在任意输入框里单击
右Alt开始说话。
macOS（macOS 11 以上，Apple 芯片和 Intel 芯片都可以）
- 下载对应芯片的
.dmg，把 Aoide 拖进「应用程序」。 - Aoide 没有经过 Apple 公证，第一次打开会被拦下：到 系统设置 → 隐私与安全性，点 仍要打开。
- 按设置窗口的提示授予麦克风和辅助功能权限，下载模型，然后单击
右Option开始说话。
想要润色、修订和翻译，在 设置 里填上大模型的 API 地址、Key 和模型名即可。默认开启的「关闭思考」会让推理模型跳过思考过程，响应明显更快。
最后
Aoide 完全开源（MIT），界面支持中文、英文和日文，每天自动检查更新，一键升级。
用的过程中遇到问题，或者有想要的功能，欢迎到 GitHub 提 issue，也可以在下面留言。