VoiceIn — 极简中英文语音输入

按一下热键，说话，文字出现在光标处。Windows 原生托盘小工具。

支持中英混杂识别、自动过滤语气词（嗯/呃/唔）、纠错字典、短句合并。纯离线运行，无需联网。

安装

1. 从 Releases 下载 VoiceIn-windows-amd64.zip
2. 解压后运行 VoiceIn.exe
3. 首次启动会自动下载 SenseVoice 模型（~900 MB，一次下载即可）
4. 托盘出现灰色麦克风图标 → 就绪

基本用法

在任何应用中（终端、记事本、浏览器、IDE、Claude Code……）：

操作	结果
按 Ctrl+Alt+S	图标变红 → 开始录音
说一句话	停顿后文字出现在光标处
连续说多句	每句自动粘贴
再按 Ctrl+Alt+S	停止录音

右键托盘图标 → Quit 退出。

高级用法：中英混杂

VoiceIn 默认自动检测语言，中英混杂表述无需任何设置：

你说	得到
"这个API的response返回了一个200 OK"	原文保留，不丢英文
"帮我review一下这个PR的commit"	中英正常共存
"嗯我觉得嗯这个方案可以的"	语气词 嗯/呃/唔 自动过滤
"我…觉得…可以"（停顿较长）	自动合并，不切成三段

如果模型对某段文字识别不准，可以用纠错字典修复（见下方配置）。

配置

编辑 C:\Users\你的用户名\.voicein\config.json：

{
  "hotkey_modifiers": 3,
  "hotkey_vk": 83,
  "engine": "sensevoice",
  "device_id": 1,
  "vad_threshold": 0.006,
  "vad_silence_ms": 1000,
  "merge_short_segments": true,
  "merge_short_threshold": 3,
  "language": "",
  "corrections": {},
  "deny_words": [],
  "auto_enter": false
}

完整配置项

字段	默认值	说明
hotkey_modifiers	3	1=Alt, 2=Ctrl, 4=Shift（3=Alt+Ctrl）
hotkey_vk	83	按键虚拟键码（83=S）
device_id	1	麦克风设备号（-1=默认, 0/1=第一/第二）
sample_rate	16000	采样率（一般不改）
engine	"sensevoice"	"sensevoice" 或 "streaming"（备选引擎）

VAD / 分句相关：

字段	默认值	说明
vad_threshold	0.006	静音检测灵敏度（环境噪声大时调高，如 0.01）
vad_silence_ms	1000	连续静音多久切段（毫秒）。说话爱停顿可调大到 1500
merge_short_segments	true	是否合并短段。开启后「我…觉得…可以」不会切成三段粘贴
merge_short_threshold	3	少于多少字算「短段」

识别优化相关：

字段	默认值	说明
language	""	识别语言。"" = 自动检测，也可指定 "zh" / "en" / "ja" / "ko"
corrections	{}	纠错字典。修复模型固定 bad case，如 {"APi": "API", "dome": "demo"}
deny_words	[]	禁用词列表。模型幻觉出来的噪声词可加到这里过滤掉
auto_enter	false	粘贴后是否自动回车（建议 false，手动确认后再发送）

配置示例：中英混合 + 纠错 + 长停顿

{
  "vad_silence_ms": 1500,
  "language": "",
  "corrections": {
    "APi": "API",
    "apI": "API",
    "dome": "demo"
  },
  "deny_words": ["噼", "啪"],
  "merge_short_segments": true
}

配置示例：纯英文模式

{
  "language": "en",
  "vad_threshold": 0.004
}

终端 / CLI 模式

在终端实时显示识别文字（无托盘、不粘贴）：

VoiceIn.exe --cli

列出可用麦克风：

VoiceIn.exe --cli --list-devices

按 Ctrl+C 退出。

工作原理

• ASR 引擎： FunASR + SenseVoiceSmall（纯离线，CPU 运行，RTF ≈ 0.06）
• 音频采集： C++ WASAPI DLL（低延迟 Windows 音频 API）
• VAD： 能量阈值检测，自动切分语音段
• 后处理流水线：
  1. 模型原始输出
  2. rich_transcription_postprocess（ITN 文字正常化）
  3. remove_fillers（过滤 嗯/呃/唔 语气词）
  4. apply_corrections（用户纠错字典 + 禁用词）
  5. 短段合并（< 阈值字数的段缓存后重新识别）

启动时模型加载一次，录音期间音频流实时处理，全流程 CPU 执行，无需 GPU。

常见问题

问题	解决
热键无反应	检查其他应用是否占用了 Ctrl+Alt+S
识别不准	① 增大麦克风音量 ② 用 corrections 加纠错 ③ 试试调 vad_threshold
说话被切段	增大 vad_silence_ms（如 1500）；关闭 merge_short_segments 不会影响
中英混杂丢失英文	确认 language 为 ""（自动检测），不要设成 "zh"
模型下载失败	检查网络代理，确保能访问 modelscope.cn
没声音	device_id 设为 -1（默认设备）或用 --list-devices 查看
图标不显示	任务栏设置 → 显示隐藏的图标 → VoiceIn
总是贴成一段	把 vad_silence_ms 调小到 600，让 VAD 更积极切段

从源码构建

# 编译音频采集 DLL
cmake -B src/native/build -S src/native
cmake --build src/native/build --config Release

# 安装依赖
pip install torch torchaudio funasr modelscope pystray Pillow numpy sherpa-onnx

# 运行
python src/app/main.py

技术栈

• ASR： FunASR + SenseVoiceSmall（离线，CPU）
• 音频： C++ WASAPI（Windows 原生低延迟）
• UI： pystray 托盘图标
• 语言： Python 3.12 + PyTorch

License

MIT