按住 CapsLock 说话，松开就上屏。就这么简单。
CapsWriter-Offline 是一个专为 Windows 打造的完全离线语音输入工具。
v2.3新增：
- 引入 Fun-ASR-Nano-GGUF 模型支持，推理更轻快
- 重构了大文件转录逻辑，采用异步流式处理
- 优化中英混排空格
- 增强了服务端对异常断连的清理逻辑
v2.2 新增：
- 改进热词检索：将每个热词的前两个音素作为索引进行匹配，而非只用首音素索引。
- UDP广播和控制：支持将结果 UDP 广播，也可以通过 UDP 控制客户端，便于做扩展。
- Toast窗口编辑：支持对角色输出的 Toast 窗口内容进行编辑。
- 多快捷键：支持设置多个听写键，以及鼠标快捷键，通过 pynput 实现。
- 繁体转换：支持输出繁体中文，通过 zhconv 实现。
v2.1 新增：
- 更强的模型：内置多种模型可选，速度与准确率大幅提升。
- 更准的 ITN：重新编写了数字 ITN 逻辑，日期、分数、大写转换更智能。
- RAG 检索增强：热词识别不再死板，支持音素级的 fuzzy 匹配，就算发音稍有偏差也能认出。
- LLM 角色系统：集成大模型，支持润色、翻译、写作等多种自定义角色。
- 纠错检索：可记录纠错历史，辅助LLM润色。
- 托盘化运行：新增托盘图标，可以完全隐藏前台窗口。
- 完善的日志：全链路日志记录，排查问题不再抓瞎。
这个项目鸽了整整两年，真不是因为我懒。在这段时间里，我一直在等一个足够惊艳的离线语音模型。Whisper 虽然名气大，但它实际的延迟和准确率始终没法让我完全满意。直到 FunASR-Nano 开源发布，它那惊人的识别表现让我瞬间心动，它的 LLM Decoder 能识别我讲话的意图进而调整输出，甚至通过我的语速决定在何时添加顿号，就是它了！必须快马加鞭，做出这个全新版本。
- 语音输入：按住
CapsLock键说话，松开即输入，默认去除末尾逗句号。支持对讲机模式和单击录音模式。 - 文件转录：音视频文件往客户端一丢，字幕 (
.srt)、文本 (.txt)、时间戳 (.json) 统统都有。 - 数字 ITN：自动将「十五六个」转为「15~16个」，支持各种复杂数字格式。
- 热词替换：在
hot.txt记下你的专业术语，支持拼音模糊匹配。 - 正则替换：在
hot-rule.txt用正则或简单等号规则，精准强制替换。 - 纠错记录：在
hot-rectify.txt记录对识别结果的纠错，可辅助LLM润色。 - LLM 角色：预置了润色、翻译、代码助手等角色，当识别结果的开头匹配任一角色名字时，将交由该角色处理。
- 托盘菜单：右键托盘图标即可添加热词、复制结果、清除LLM记忆。
- C/S 架构：服务端与客户端分离，虽然 Win7 老电脑跑不了服务端模型，但最少能用客户端输入。
- 日记归档：按日期保存你的每一句语音及其识别结果。
- 录音保存：所有语音均保存为本地音频文件，隐私安全，永不丢失。
CapsWriter-Offline 的精髓在于：完全离线（不受网络限制）、响应极快、高准确率 且 高度自定义。我追求的是一种「如臂使指」的流畅感，让它成为一个专属的一体化输入利器。无需安装，一个U盘就能带走，随插随用，保密电脑也能用。
LLM 角色既可以使用 Ollama 运行的本地模型，又可以用 API 访问在线模型。
目前仅能保证在 Windows 10/11 (64位) 下完美运行。
- Linux：暂无环境进行测试和打包，无法保证兼容性。
- MacOS：由于底层的
keyboard库已放弃支持 MacOS，且系统权限限制极多，暂时无法支持。
- 准备环境：确保安装了 VC++ 运行库。
- 下载解压：下载 Latest Release 里的软件本体，再到 Models Release 下载模型压缩包，将模型解压，放入
models文件夹中对应模型的文件夹里。 - 启动服务：双击
start_server.exe，它会自动最小化到托盘菜单。 - 启动听写：双击
start_client.exe，它会自动最小化到托盘菜单。 - 开始录音：按住
CapsLock就可以说话了！
你可以在 config.py 的 model_type 中切换：
- funasr_nano（默认推荐）：目前的旗舰模型，速度较快，准确率最高。
- sensevoice：阿里新一代大模型，速度超快，准确率稍逊。
- paraformer：v1 版本的主导模型，现主要作为兼容备份。
所有的设置都在根目录的 config.py 里：
- 修改
shortcut可以更换快捷键（如right shift）。 - 修改
hold_mode = False可以切换为“点一下录音，再点一下停止”。 - 修改
llm_enabled来开启或关闭 AI 助手功能。
Q: 为什么按了没反应？
A: 请确认 start_server.exe 的黑窗口还在运行。若想在管理员权限运行的程序中输入，也需以管理员权限运行客户端。
Q: 为什么识别结果没字？
A: 到 年/月/assets 文件夹中检查录音文件，看是不是没有录到音；听听录音效果，是不是麦克风太差，建议使用桌面 USB 麦克风；检查麦克风权限。
Q: FunASR-nano 模型几乎不能用？
A: 默认使用的 int8 量化的 FunASR-nano 模型，在部分前几代 AMD CPU 上可能有问题。要么先切换为 sensevoice，等以后模型更新解决。要么到 Models Release 下载 FunASR-Nano-LLM-fp16.zip，把模型文件夹里的 llm_prefill 和 llm_decode 换成 fp16 的版本，并更新 util/model_config.py 里面的路径，但这样会多占很多内存，速度也会有一定下降。
Q: 需要热词替换？
A: 可在 hot.txt 中添加正确词汇（托盘菜单右键有快捷添加），或者在 hot-rule.txt 中用正则表达式强制替换。
Q: 如何使用 LLM 角色？
A: 只需要在语音的开头说出角色名。例如，你配置了一个名为「翻译」的角色，录音时说「翻译，今天天气好」，翻译角色就会接手识别结果，在翻译后输出。它就像是一个随时待命的插件，你喊它名字，它就干活。你可以配置它们直接打字输出，或者在 TOAST 弹窗中显示。ESC 可以中断 LLM 的流式输出。
Q: LLM 角色可以读取屏幕内容？
A: 是的。如果你的 AI 角色开启了 enable_read_selection，你可以先用鼠标选中屏幕上的一段文字，然后按住快捷键说：“翻译一下”，LLM 就会识别你的指令，将选中文字进行翻译。但当所选文字与上一次的角色输出完全相同时，则不会提供给角色，以避免浪费 token。
Q: LLM 角色模型怎么选？
A: 你可以在 LLM 文件夹里为每个角色配置后端。既可以用 Ollama 部署本地轻量模型（如 gemma3:4b, qwen3:4b 等），也可以填写 DeepSeek 等在线大模型的 API Key。
Q: 想要隐藏黑窗口？
A: 点击托盘菜单即可隐藏黑窗口。
Q: 如何开机启动？
A: Win+R 输入 shell:startup 打开启动文件夹，将服务端、客户端的快捷方式放进去即可。
Q: 我可以用 GPU 加速吗？
A: 加入 GPU 支持会增加打包大小，且边际效益很低，没有做。但从源码运行可以，把源码中的模型的 provider 改为 cuda 即可。
Q: 低性能电脑转录太慢？
A: 更改 config.py 中的 model_type 模型类型，或更改 util/model_config.py 中的 num_threads。
| 项目名称 | 说明 | 体验地址 |
|---|---|---|
| IME_Indicator | Windows 输入法中英状态指示器 | 下载即用 |
| Rust-Tray | 将控制台最小化到托盘图标的工具 | 下载即用 |
| Gallery-Viewer | 网页端图库查看器，纯 HTML 实现 | 点击即用 |
| 全景图片查看器 | 单个网页实现全景照片、视频查看 | 点击即用 |
| 图标生成器 | 使用 Font-Awesome 生成网站 Icon | 点击即用 |
| 五笔编码反查 | 86 五笔编码在线反查 | 点击即用 |
| 快捷键映射图 | 可视化、交互式的快捷键映射图 (中文版) | 点击即用 |
本项目基于以下优秀的开源项目：
感谢 Google Antigravity、Anthropic Claude、GLM，如果不是这些编程助手，许多功能（例如基于音素的热词检索算法）我是无力实现的。
特别感谢那些慷慨解囊的捐助者，你们的捐助让我用在了购买这些优质的 AI 编程助手服务，并最终将这些成果反馈到了软件的更新里。
如果觉得好用，欢迎点个 Star 或者打赏支持：
