开源 · 实时流式 · 场景自适应 · 术语可控 · 声纹识别
按下快捷键说话，VoiceType 自动识别当前应用场景，
将语音转为干净、准确的文字，直接输入到当前窗口。
🎯 场景自适应
- 自动识别应用（Cursor/Word/微信等），切换对应场景
- 支持自定义场景：提示词 + 快捷键 + 应用绑定
- 编程场景保留术语原样，文档场景补全标点
🔧 术语可控
- 规则替换：
克劳德库德→Claude Code - 锁定标签：
<lock>API</lock>防止 LLM 过度纠正 - 批量导入：支持 CSV 自定义规则
🔒 声纹识别
- 本地 ONNX 模型，完全离线
- 3轮录入，智能过滤非授权语音
- 隐私优先，数据不出境
⚡ 实时流式
- WebSocket 流式识别，边说边出
- 端到端延迟 < 1 秒
- LLM 处理 ~600ms
- Python 3.10+
- Node.js 16+（用于构建前端）
- 阿里云 API Key（ASR + LLM）
# 1. 克隆仓库
git clone https://github.com/tmwgsicp/voicetype.git
cd voicetype
# 2. 安装 Python 依赖
pip install -r requirements.txt
# 3. （可选）下载声纹识别模型
python scripts/download_voiceprint_model.py
# 4. 配置 API Key
cp .env.example .env
# 编辑 .env，填入你的阿里云 API Key：
# ASR_API_KEY=sk-xxx
# LLM_API_KEY=sk-xxx
# 5. 启动服务
python -m voicetype.main
# 6. 打开桌面应用
# 双击运行 VoiceType.exe (Windows) 或 VoiceType.app (macOS)
# 或访问 http://localhost:18233（开发模式）- 启动 VoiceType（系统托盘显示图标）
- 按
F9开始录音 - 说话（实时显示识别文字）
- 再按
F9停止，文字自动输入到当前窗口
示例:
输入: "创建用户接口需要用户名和邮箱，然后返回用户ID"
输出: "创建用户接口需要 username 和 email，然后返回 user_id。"
编程 💻
- 自动识别: Cursor、VSCode、PyCharm、IDEA
- 保留技术术语原样（API、user_id、callback）
文档 📝
- 自动识别: Word、WPS、Notion、Obsidian
- 正式书面语，补全标点，注意段落结构
终端 ⌨️
- 自动识别: CMD、PowerShell、Terminal
- 保留命令原样，不加标点
聊天 💬
- 自动识别: 微信、QQ、钉钉、Slack
- 保持口语化和简洁
中译英 🌐
- 快捷键:
Ctrl+Shift+1 - 将中文口述翻译成地道英文
通用 📄
- 其他应用默认场景
- 基础清理
打开设置 → 场景管理 → 新建场景，配置:
- 名称、图标
- 提示词（如何处理识别文本）
- 快捷键（可选）
- 绑定应用（可选）
设置 → 术语规则 → 添加规则:
错误发音: 点击up
正确写法: ClickUp
分类: 产品名
准备 CSV 文件:
wrong,correct,category
点击up,ClickUp,产品名
诺讯,Notion,产品名
哥哥,GitHub,平台名设置 → 术语规则 → 导入 CSV
在文本中使用 <lock> 标签防止 LLM 修改:
<lock>Claude Code</lock> 的识别效果很好
- 设置 → 声纹识别 → 开启
- 点击"注册声纹"
- 录制 3 轮语音（每轮 3-5 秒）
- 完成后自动启用验证
工作原理:
- 录音时实时提取声纹特征
- 与注册声纹对比相似度
- 通过阈值判断是否授权
注意事项:
- 首次使用需下载模型（~30MB）
- 声纹数据存储在本地，不上传云端
- 可随时重新注册
编辑 .env 文件:
# ASR 配置
ASR_PROVIDER=aliyun
ASR_API_KEY=sk-your_aliyun_api_key
ASR_MODEL=qwen3-asr-flash-realtime-2026-02-10
ASR_MAX_SILENCE_MS=1200
# LLM 配置
LLM_API_KEY=sk-your_llm_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL=qwen-turbo
# 声纹识别
VOICEPRINT_PROVIDER=LOCAL_ONNX
VOICEPRINT_THRESHOLD=0.5
# 快捷键
HOTKEY=<f9>
# 服务端口
PORT=18233运行时配置存储位置:
- Windows:
%APPDATA%\VoiceType\config.json - macOS:
~/Library/Application Support/VoiceType/config.json - Linux:
~/.config/voicetype/config.json
┌───────────────────────────────┐
│ Tauri Desktop App │
│ - 系统托盘 + 浮动窗口 │
│ - 全局快捷键监听 │
│ - Vue 3 设置界面 │
└───────────────────────────────┘
↕ HTTP/WebSocket
┌───────────────────────────────┐
│ Python Backend (FastAPI) │
│ ├─ ASR (阿里云 WebSocket) │
│ ├─ 规则替换 (本地 JSON) │
│ ├─ LLM (OpenAI-compatible) │
│ ├─ 声纹识别 (本地 ONNX) │
│ └─ 键盘输出 (Clipboard+Paste) │
└───────────────────────────────┘
技术栈:
- 后端: Python 3.10 + FastAPI
- 前端: Vue 3 + TypeScript
- 桌面: Tauri 2.0 + Rust
- ASR/LLM: 阿里云 DashScope
- 声纹: sherpa-onnx (本地 ONNX)
voicetype/
├── voicetype/ # Python 后端
│ ├── api/ # API 路由
│ ├── pipeline/ # ASR → LLM → 输出
│ ├── platform/ # 平台相关（声纹、场景、快捷键）
│ └── main.py # 入口
├── src-ui/ # Vue 3 前端
│ └── src/ # 组件和页面
├── src-tauri/ # Tauri 桌面应用
│ └── src/ # Rust 代码
└── scripts/ # 工具脚本
# 后端
python -m voicetype.main
# 前端（开发模式，另一个终端）
cd src-ui
npm install
npm run dev
# 访问 http://localhost:5173cd src-ui
npm run build
# 输出到 src-ui/dist/# 1. 构建前端
cd src-ui && npm run build && cd ..
# 2. 打包 Python 后端
pyinstaller voicetype-server.spec
# 3. 构建 Tauri 应用
cd src-tauri && npm run tauri build欢迎提交 Issue 和 Pull Request！
贡献方向:
- ASR/LLM 提供商接入（讯飞、腾讯云、DeepSeek）
- UI/UX 优化
- 声纹识别优化
- 文档完善
AGPL-3.0 License
Made with ❤️ by the VoiceType Community