VoxType Svelte Themes

Voxtype

VoxType：Windows 语音输入和语音转文字工具，支持豆包流式 ASR、自动粘贴、可选 LLM 润色

#asr#dictation#doubao#llm#rust#speech-to-text#svelte#tauri#voice-typing#windows
Download

声写 VoxType - Windows 语音输入和语音转文字工具

English | 简体中文

声写（VoxType）是一个面向 Windows 10/11 的桌面语音输入、语音转文字和听写工具。把光标放到任意输入框后，按下全局热键开始说话，程序会录制麦克风音频，通过豆包流式 ASR WebSocket 实时识别语音，可选调用 OpenAI 兼容大模型润色文本，并将最终结果写入剪贴板后自动粘贴到当前输入位置。

当前代码已迁移为根目录 Tauri 项目：Rust 负责全局热键、输入钩子、音频采集、ASR 会话、剪贴板、系统托盘、悬浮字幕窗和系统音量；Svelte 负责主窗口 GUI。

这是个人项目，目标是实用、轻量、易修改。请勿把真实密钥、个人热词、上下文或本地日志提交到仓库。

适合场景

  • 在 Windows 任意输入框中进行中文语音输入、英文听写或多语言语音转文字。
  • 用豆包流式 ASR 获取实时字幕和最终转写结果，再自动粘贴到微信、浏览器、编辑器、表单或办公软件。
  • 对长句口述内容做轻度 LLM 润色，减少错别字、口语冗余和格式混乱。
  • 需要一个本地运行、可审计、默认不记录识别正文统计的开源语音输入工具。

文档

界面预览

主界面采用蓝白配色和紧凑侧边栏，首页集中展示当前输入状态、最近一次输入、触发方式和输入表现统计。

VoxType 主输入界面

左侧导航按使用任务拆分为首页、热词、API配置、选项和统计分析：热词页默认管理常用热词和润色提示词，API配置页默认管理豆包 ASR 必填配置与可选大模型 API，选项页默认管理快捷键、粘贴方式、麦克风、字幕外观、开机启动和关闭行为。低频排障项位于各页高级设置，部分底层参数仅支持通过 config.toml 修改。统计页展示最近 24 小时、最近 7 日、平均输入速度和按日使用情况，新识别结果写入后会刷新。

录音和处理过程中会在当前屏幕居下显示悬浮字幕，用于实时查看转写内容与必要状态提示；字幕尺寸、位置和配色可在选项页调整。

VoxType 实时字幕悬浮窗

Windows 语音输入功能

  • 全局触发：默认只启用 Ctrl + Q；右 Alt 和鼠标中键可在选项页手动开启，避免误触或与其他软件冲突。
  • 麦克风采集：使用 Rust cpal 采集 PCM 音频，可选择输入设备。
  • 实时语音识别：对接豆包 bigmodel_async WebSocket，支持实时字幕片段和最终语音转文字结果。
  • 静音兜底：本地连续低音量自动停止默认 30 秒，比旧版 10 秒更不容易在长句口述或思考停顿时提前截断；仍可在高级设置里手动调整。
  • 悬浮字幕：录音时在屏幕居下显示实时识别文本，不抢焦点；选项页默认展示字幕预览、预设配色和透明度预设，自定义颜色、宽高和位置在高级设置中调整。
  • 自动输入：最终文本写入剪贴板，并用带扫描码和短间隔的 Ctrl+V 或 Shift+Insert 粘贴到当前焦点输入框；首页可临时展开查看并一键复制最近一次识别文本，关闭窗口或开始下一次录音后清除。默认页只显示“自动粘贴 / 仅复制到剪贴板”，完整粘贴方式和剪贴板恢复延迟在高级设置中调整。
  • 标点处理：默认会自动移除最终文本末尾的中文句号或英文句点；如需保留句末标点，可在选项页关闭该开关。
  • 可选润色：可调用 OpenAI 兼容接口做轻度后处理；API配置页可直接测试豆包 ASR 和大模型 Key 是否可用，热词页管理润色提示词。
  • 自动热词候选：可在热词页高级设置中开启本地采集 VoxType 最终语音输入文本，并手动调用已配置的大模型生成候选热词；候选必须用户勾选确认后才会加入热词列表。
  • 系统音量：可配置录音期间临时静音系统音量，结束后恢复；默认关闭，避免影响会议、视频或系统提示音。
  • 托盘常驻：关闭主窗口默认隐藏到托盘，输入和处理期间托盘图标会切换为输入中样式；右键托盘可打开配置、查看日志、检查更新、重启程序或退出，也可在选项页改为直接退出或每次询问。
  • 开机启动：可在选项页开启随 Windows 登录自动启动。
  • 检查更新：可在选项页高级设置中通过 GitHub Release 检查最新版；发现新版本时提示中会提供“立即更新”按钮，下载后自动启动 Windows 安装包，应用内更新会尽量静默安装并退出当前版本释放文件。
  • 诊断日志：选项页高级设置和托盘均可打开本地日志，也可一键复制脱敏诊断报告，便于排查识别、粘贴、网络和更新问题。
  • 配置健康检查：API配置页顶部显示 ASR 密钥填写/未测试/测试结果、麦克风、粘贴方式、触发方式和隐私设置状态，帮助新用户快速知道还差哪一步。
  • 多语言界面：简体中文、繁体中文、英语，默认简体中文。

主链路保护

这些行为直接影响普通用户对语音输入结果的信任，维护时应保持：

  • 空识别会进入失败态并提示“没有识别到文字”，不会显示“已粘贴”，也不会触发润色、粘贴或成功统计。
  • 只有在大模型润色已启用、文本长度达到 min_chars，且 Base URL、API Key、模型名都填写完整时，界面才显示“正在润色文本”。
  • 默认自动粘贴后恢复原剪贴板；纯文本恢复最稳定。原剪贴板包含大块表格、图片、文件、位图句柄或部分私有格式时，可能无法完整恢复并给出 warning；快照大小上限用于避免大剪贴板导致卡顿。
  • 健康检查的“已准备好”只判断 ASR 密钥、麦克风和至少一种触发方式。ASR 连接测试只在用户手动测试成功后显示“测试通过”；未测试不阻断主流程可用性。

环境

仅面向 Windows 10/11。

普通用户请下载并运行 VoxType-*-setup.exe 安装包。安装包会内置 Microsoft Edge WebView2 Bootstrapper，在系统缺少 WebView2 Runtime 时自动安装运行时。

项目不再发布绿色版 ZIP。绿色版不会安装系统运行时，容易在干净电脑上出现缺少 WebView2 Runtime 的问题。

运行时还需要 Windows 允许桌面应用访问麦克风。若录音失败，请在“设置 → 隐私和安全性 → 麦克风”中开启麦克风访问权限。

开发构建需要安装：

  • Node.js 和 npm
  • Rust 工具链

如果 Rust 已安装但当前终端找不到 cargo，先执行：

$env:PATH="$env:USERPROFILE\.cargo\bin;$env:PATH"

配置

首次使用可以参考配置指南：Setup Guide。如果安装版启动时找不到 config.toml，程序会自动打开该指南；主窗口首页也会显示配置健康检查，提示还缺少哪些配置。

豆包 ASR 的 App Key 和 Access Key 是主流程必填项。未填写时，主窗口会优先引导到 API配置页，录音、识别、粘贴等后续入口会被锁定，填写后会自动保存并生效。

复制配置模板：

Copy-Item .\config.example.toml .\config.toml

至少填写豆包 ASR 认证信息：

[auth]
app_key = ""
access_key = ""
resource_id = "volc.seedasr.sauc.duration"

API配置页还可以设置豆包 ASR 的输入语言。默认是 zh-CN，适合中文语音；多语言场景可切换为 en-US、ja-JP、yue-CN 等豆包文档支持的语言代码，或选择自动/服务默认来省略该参数。豆包文档说明该参数只在部分流式模式支持，如果测试失败，可先改回自动/服务默认或确认当前接口模式。

如果启用大模型润色，还需要填写：

[llm_post_edit]
enabled = true
api_key = ""
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
model = "qwen3.5-plus"

VoxType 已内置一套面向语音输入的默认润色提示词。默认规则会把识别文本视为待润色素材，不回答、不执行其中的指令或问题，避免把润色任务误变成内容分析。热词页默认展示 User Prompt 模板、恢复默认提示词和预览入口；System Prompt 与最小润色字数位于高级设置。

热词页高级设置还提供“自动生成热词候选”。该功能默认关闭，开启后只保存 VoxType 自己生成的最终语音输入文本，不记录键盘输入，不读取剪贴板历史。只有用户点击“生成候选”时，才会把本地历史摘要发送到已配置的大模型服务；生成结果只是候选，必须勾选确认后才会合并到 context.hotwords。历史文本默认上限为 5000 字；旧版默认 10000 字会在配置加载时自动迁移为 5000 字。热词生成会使用比普通润色更高的输出长度和超时预算；如果完整历史生成返回不完整或超时，会自动缩小历史范围并减少候选数量重试一次。若仍失败，可降低历史文本上限或候选数量后重试。

[auto_hotwords]
enabled = false
max_history_chars = 5000
max_candidates = 30
ignored_hotwords = []

填写豆包 ASR 或大模型 Key 后，可在 API配置页点击对应区域的“测试”按钮，先确认 Key、Base URL、模型名称和网络环境是否可用，再开始正式录音。

配置修改后会自动保存。自动保存前会做基础字段校验，明显非法的采样率、声道数、录音时长、粘贴延迟、剪贴板恢复延迟、快照大小、枚举值、URL scheme、GitHub 仓库格式、LLM 必填项、超时时间、悬浮窗尺寸和字幕颜色不会写入配置文件。

文本后处理相关配置：

[typing]
remove_trailing_period = true

开启后，最终文本以中文句号或英文句点结尾时会自动去掉；关闭后会保留 ASR 或大模型输出的句末标点。

剪贴板恢复相关配置：

[typing]
clipboard_restore_delay_ms = 800
clipboard_snapshot_max_bytes = 8388608

恢复延迟越长，目标应用越有时间读取语音文本；但原剪贴板恢复也会更晚。为避免慢应用粘贴到旧剪贴板内容，自动粘贴时会使用不低于 500ms 的安全恢复等待。快照大小上限用于跳过过大的格式，降低大剪贴板卡顿风险。

如需随 Windows 登录自动启动，可在选项页开启，或在 config.toml 中设置：

[startup]
launch_on_startup = true

更新检查默认读取 zkwi/VoxType 的 GitHub Release。需要关闭启动自动检查时，可在选项页高级设置中关闭，或在 config.toml 中设置：

[update]
auto_check_on_startup = false
github_repo = "zkwi/VoxType"

config.toml、本地日志和统计文件已被 .gitignore 忽略。示例配置和文档只保留占位值，不应写入真实密钥、个人热词或自定义上下文。

开发运行

在仓库根目录执行：

npm install
npm run tauri dev

开发服务固定使用：

http://127.0.0.1:18080

没有继续使用 Tauri 模板默认的 1420 端口，因为部分 Windows 环境会把相邻端口段保留给系统，导致 Vite 报 listen EACCES。

构建

调试构建：

npx tauri build --debug --no-bundle

正式构建：

npx tauri build

NSIS 安装包会嵌入 WebView2 Bootstrapper。首次安装到缺少 WebView2 Runtime 的干净电脑时，安装程序会联网安装该运行时。

安装包内置简体中文、繁体中文和英语。安装时默认根据 Windows 系统语言自动选择安装器语言；不额外弹出语言选择窗口。

正式可执行文件通常位于：

src-tauri\target\release\voxtype-desktop.exe

不要直接用 cargo build --release 作为桌面端发布产物；那样不会先构建前端资源，可能导致窗口打开后访问开发地址失败。

使用

  1. 启动 VoxType。
  2. 先在 API配置页填写豆包 ASR 的 App Key 和 Access Key，填写后会自动保存；未填写时主流程入口会保持锁定。
  3. 把光标放到目标输入框。
  4. 按 Ctrl + Q 开始录音；如已在选项页开启，也可使用右 Alt 或鼠标中键。
  5. 录音时查看屏幕居下悬浮字幕。
  6. 再按一次触发键停止录音。
  7. 程序等待最终识别结果，可选润色，然后自动粘贴到当前焦点输入框。若粘贴快捷键发送失败，识别文本会保留在剪贴板，可手动 Ctrl + V。

默认隐私与误触策略：

  • 最近上下文默认关闭，不保存最近识别片段；需要连续识别增强时可在热词页高级设置中手动开启。开启后识别片段写入单独的本地 context/recent_context.jsonl，不会写回 config.toml，也可在热词页清除。
  • 自动热词候选默认关闭。开启后本地采集文本写入 context/hotword_history.jsonl，可在热词页高级设置中清空；诊断报告和日志不会输出历史正文、候选词或 prompt。
  • 右 Alt 和鼠标中键默认关闭，确认不与其他软件冲突后再开启。
  • 连续低音量自动停止默认 30 秒，默认音量阈值为 0.03；旧版默认 10 秒 / 0.04 会在配置加载时自动迁移为 30 秒 / 0.03；录音期间静音系统声音默认关闭。
  • 最终识别正文默认不打印到控制台。

托盘行为：

  • 双击托盘图标：打开主窗口。
  • 输入、等待结果、润色和粘贴处理期间：托盘图标显示输入中样式，完成或失败后恢复普通图标。
  • 关闭主窗口：默认隐藏到托盘，首次会提示“仍可按快捷键使用，完全退出请右键托盘图标选择退出”。
  • 托盘菜单“打开配置”：用系统默认编辑器打开 config.toml。
  • 托盘菜单“查看日志”：用系统默认程序打开本地日志。
  • 托盘菜单“检查更新”：打开主窗口并执行一次手动更新检查。
  • 托盘菜单“重启程序”：停止当前会话并重启 VoxType，适合配置更新后生效或快速恢复偶发异常。
  • 托盘菜单“退出”：停止会话并退出程序。

选项页高级设置中的“诊断与日志”也可以直接打开本地日志或复制诊断报告。日志会记录关键启动阶段、配置保存、ASR/LLM 错误、更新检查和前端异常；密钥形态会自动脱敏。诊断报告默认不包含识别正文、密钥、热词、prompt、最近上下文、自动热词历史正文、候选词或 Windows 用户名路径。

常见问题

VoxType 是什么？

VoxType 是 Windows 桌面语音输入工具，用豆包流式 ASR 将麦克风语音转成文字，再复制并自动粘贴到当前输入框。它更像系统级听写助手，不是聊天机器人。

VoxType 支持哪些输入场景？

只要目标软件能接收剪贴板粘贴，通常就能使用 VoxType，包括浏览器输入框、聊天软件、Markdown 编辑器、IDE、办公文档和内部管理系统。少数拦截 Ctrl + V 的软件可以改用 Shift + Insert 或仅复制到剪贴板。

VoxType 会保存我的语音识别正文吗？

默认不会。统计只记录时长、字数、速度等非正文数据；最近上下文和自动热词候选默认关闭。启用这些高级功能前，应确认本地正文历史的隐私影响。

为什么需要配置豆包 ASR？

VoxType 的主链路依赖豆包流式语音识别服务。没有 App Key 和 Access Key 时，录音、识别和自动粘贴入口会保持锁定，避免用户以为已经输入成功。

常用命令

# 前端类型检查
npm run check

# 前端构建
npm run build

# Rust 检查
Set-Location .\src-tauri
cargo check

# Rust 测试
cargo test

# Rust lint
cargo clippy --all-targets -- -D warnings

# 本地密钥扫描
Set-Location ..
npm run scan:secrets

# 暂存区密钥扫描
npm run scan:secrets:staged

# npm 依赖审计
npm run audit:npm

# Rust 依赖审计（需要先安装 cargo-audit）
npm run audit:rust

启用 Git pre-commit 钩子：

.\scripts\enable_git_hooks.ps1

钩子会调用 scripts/scan-secrets.mjs 扫描暂存文件，避免误提交本地配置、密钥、热词和上下文。

AI 维护与本地检查

本项目允许使用 AI 辅助维护代码，但所有 AI 改动必须遵守根目录 AGENTS.md。

日常改动后，在仓库根目录运行：

npm run ai:check

也可以直接运行：

.\scripts\ai-check.ps1

该检查会依次执行：

npm run check
npm run build
npm run scan:secrets
npm run test:secrets
cargo fmt --check
cargo check
cargo test

如果本次改动涉及 UI，还需要手工检查：

  • 首页空闲状态
  • 配置缺失状态
  • 录音中状态
  • 空识别提示
  • LLM 关闭和开启两种状态
  • 剪贴板纯文本恢复
  • 托盘关闭提示
  • 简体中文、繁体中文、英文三语言
  • 1100 × 680 和 1280 × 760 两类窗口尺寸

更多规则见：

  • AGENTS.md
  • CHANGELOG.md
  • docs/code-style.md
  • docs/directory-structure.md

仓库包含一个最小 GitHub Actions CI：.github/workflows/ci.yml。CI 在 Windows runner 上执行前端类型检查、前端构建、密钥扫描、Rust 格式检查、clippy 和测试；本地仍以 npm run ai:check 作为日常提交前入口。

发布前可运行：

npm run ai:release-check

Rust 依赖审计依赖 cargo-audit。本机未安装时先运行：

cargo install cargo-audit --locked

发布或合并前应同步更新 CHANGELOG.md 的 [Unreleased] 或对应版本段，记录用户可见变化、主链路保护和维护性调整。

开源协作

提交 Issue 或 PR 前请先阅读 CONTRIBUTING.md、SUPPORT.md 和 CODE_OF_CONDUCT.md。本项目欢迎小而明确的 bug 修复、文档改进、配置样例优化和测试补充；涉及 ASR、LLM、剪贴板、热键、托盘、日志、统计或配置结构的改动，请在 PR 描述中明确说明影响范围和验证方式。

安全和隐私问题请参考 SECURITY.md。公开 Issue、PR、截图和日志中不要包含真实密钥、识别正文、个人热词、prompt、最近上下文或 Windows 用户名路径。

界面与适配

主窗口按 1280 × 760 设计，最小窗口为 1100 × 680。首页会根据窗口高度和宽度进入紧凑模式，并将语音输入、最近输入/启动方式、输入表现分层展示，避免在高 DPI 或较小窗口中出现文字遮挡、卡片裁切和不必要的滚动条。

界面维护时重点检查这些状态：

  • 空闲、录音中、配置缺失三种首页状态。
  • 简体中文、繁体中文、英文三种语言。
  • 1100 × 680、1280 × 760 以及高缩放显示器。
  • 侧边栏长麦克风设备名、长热键文本和统计数字较大的情况。

首页只展示正式用户信息。不要加入调试路径、协议细节、内部状态码或占位图表。

目录

VoxType/
├── src/                         # Svelte 主窗口界面
├── src-tauri/                   # Tauri/Rust 桌面端
│   ├── src/
│   │   ├── audio.rs             # 麦克风采集
│   │   ├── asr.rs               # ASR 请求组装与结果解析
│   │   ├── asr_ws.rs            # 豆包 WebSocket 会话
│   │   ├── autostart.rs         # Windows 开机自启动
│   │   ├── config.rs            # TOML 配置加载
│   │   ├── hotkey.rs            # 全局热键与输入钩子
│   │   ├── llm_post_edit.rs     # LLM 后处理
│   │   ├── overlay.rs           # 悬浮字幕窗
│   │   ├── session.rs           # 录音会话状态机
│   │   ├── stats.rs             # 使用统计
│   │   ├── system_audio.rs      # 系统音量控制
│   │   ├── text_output.rs       # 剪贴板与粘贴
│   │   ├── tray.rs              # 系统托盘
│   │   └── update.rs            # GitHub Release 更新检查
│   ├── capabilities/
│   ├── icons/
│   └── tauri.conf.json
├── static/                      # 静态资源
├── docs/                        # 接口参考文档
├── scripts/
│   ├── enable_git_hooks.ps1
│   └── scan-secrets.mjs
├── config.example.toml          # 配置模板，不含真实密钥
├── package.json
├── svelte.config.js
├── tsconfig.json
└── vite.config.js

本地文件

以下文件只用于本机运行，不提交：

  • config.toml
  • *.local.toml
  • context/recent_context.jsonl
  • voice_input.log
  • voice_input_stats.jsonl
  • src-tauri/target/
  • node_modules/
  • build/

Top categories

tailwinddaisyuiadmin templatepopupmdsvexportfolioblogformecommerceuicarouselauthdarkseoimagerouting
Loading Svelte Themes