Voice Input

marklaigithub

Local voice-to-text input tool using Whisper + Ollama LLM correction (Tauri 2 + Svelte 5)

Download

Voice Input

macOS 桌面應用程式，透過全域「按住說話」快捷鍵將語音轉為文字，直接輸入到任何應用程式中。語音辨識完全在本機執行——不需要雲端 API，資料不會離開你的電腦。

功能特色

全域按住說話 — 按住 Cmd+Shift+Space 錄音，放開後自動轉錄並輸入文字
100% 本機運行 — 使用 Whisper（透過 whisper.cpp），在 Apple Silicon 上支援 Metal GPU 加速
可選 LLM 校正 — 透過本機 Ollama 模型後處理轉錄結果，修正專有名詞、標點符號和語言特有問題
串流模式 — 說話時即時分段轉錄，適合長篇口述
浮動錄音指示器 — 錄音時顯示半透明浮動視窗，含即時波形動畫和計時器，可拖曳定位
應用程式內模型下載 — 首次使用可直接在應用程式內下載 Whisper 模型，支援斷點續傳和 SHA256 驗證
音訊檔案轉錄 — 支援轉錄 WAV 音訊檔案（16-bit、24-bit、32-bit float）
轉錄歷史 — 在應用程式視窗中瀏覽和複製過去的轉錄記錄
可自訂設定 — 快捷鍵、語言、模型路徑和 LLM 設定皆可調整

運作原理

按住快捷鍵 → 錄音（cpal）
           → 放開快捷鍵
           → Whisper 語音轉錄（whisper-rs, Metal）
           → [可選] LLM 校正（Ollama REST API）
           → 複製到剪貼簿 + 模擬貼上（Cmd+V）到前台應用程式
           → 儲存到歷史記錄

技術架構

層級	技術
前端	Svelte 5 + TypeScript + Vite
後端	Rust + Tauri 2
語音轉文字	whisper-rs（whisper.cpp 綁定，Metal GPU 加速）
LLM 校正	Ollama REST API
音訊擷取	cpal
剪貼簿 + 貼上	arboard + enigo

系統需求

macOS（建議 Apple Silicon 以獲得 Metal 加速；Intel Mac 會退回 CPU 運算）
Rust 工具鏈 — 透過 rustup 安裝
Node.js 18+
Whisper 模型檔 — 首次啟動時可在應用程式內直接下載，或手動將 ggml-medium.bin 放在：
```
~/Library/Application Support/com.voice-input.app/models/ggml-medium.bin
```
手動下載來源：huggingface.co/ggerganov/whisper.cpp
Ollama（可選）— 僅在啟用 LLM 校正時需要。從 ollama.com 安裝後，拉取模型：
```
ollama pull gemma3:4b
```

macOS 權限設定

Voice Input 需要兩項系統權限才能正常運作：

麥克風 — 首次錄音時 macOS 會自動彈出授權提示
輔助使用 — 用於模擬 Cmd+V 貼上到前台應用程式

授予輔助使用權限：

系統設定 → 隱私權與安全性 → 輔助使用 → 加入 Voice Input（或執行 tauri dev 的終端機）

重要： macOS 將輔助使用權限綁定到應用程式二進位檔的 hash。每次重新建置應用程式後，舊的權限會失效，必須重新授予。如果轉錄正常但文字沒有出現，幾乎可以確定是這個原因。

如果缺少輔助使用權限，Voice Input 會退回到僅複製到剪貼簿——你會看到通知提示手動 Cmd+V 貼上。

建置與執行

所有指令在 app/ 目錄下執行。

安裝相依套件：

npm install

開發模式（支援熱重載）：

npm run tauri dev

正式建置：

npm run tauri build

建置好的 .app 套件會在 app/src-tauri/target/release/bundle/macos/。

執行測試：

cargo test --manifest-path app/src-tauri/Cargo.toml

設定說明

設定檔位置：~/Library/Application Support/com.voice-input.app/config.json

首次執行時會自動建立預設設定檔。可在應用程式關閉時手動編輯，或使用應用程式內的設定面板。

設定項	預設值	說明
`shortcut`	`"CmdOrCtrl+Shift+Space"`	全域按住說話快捷鍵
`quit_shortcut`	`"CmdOrCtrl+Alt+Q"`	退出應用程式
`language`	`"zh"`	Whisper 語言代碼（`"en"`、`"zh"`、`"ja"` 等）
`model_path`	`…/models/ggml-medium.bin`	Whisper 模型檔的絕對路徑
`llm_enabled`	`false`	啟用 Ollama LLM 後處理
`llm_model`	`"gemma3:4b"`	Ollama 模型名稱
`llm_endpoint`	`"http://localhost:11434"`	Ollama API 基礎 URL
`sound_enabled`	`true`	錄音開始/結束時播放音效
`max_history`	`50`	歷史記錄保留的最大筆數

專案結構

app/
├── src/                  # Svelte 前端
└── src-tauri/
    └── src/
        ├── lib.rs        # Tauri 應用程式設定、全域快捷鍵、系統匣選單
        ├── audio.rs      # 音訊錄製 + 重取樣（cpal）
        ├── whisper.rs    # Whisper 模型載入與轉錄
        ├── llm.rs        # Ollama LLM 校正 + 幻覺守衛
        ├── commands.rs   # Tauri IPC 指令處理器
        ├── config.rs     # 應用程式設定（JSON 檔案）
        ├── paste.rs      # 剪貼簿貼上到前台應用程式
        ├── history.rs    # 轉錄歷史記錄
        └── model.rs      # 模型檔案管理

已知限制

僅支援 macOS — 貼上機制使用 macOS 專屬的鍵盤模擬；不支援 Linux 和 Windows

Top categories