自从 Typeless 将每周的免费听写额度从 8000 字改为 2000 字,而且转写延迟也比以前更长,我就动了迁移到开源平替的念头。下面是我自己的实践过程和踩坑记录。
选型
找平替肯定要以省心为主。接触语音输入后,我让 Agent 帮忙调研了一阵子,结合之前用过的方案,主要有下面几个选择:
- 大厂输入法(比如豆包输入法、微信输入法等):语音识别能力都很优秀,但我信不过大厂会怎么处理我的数据,所以放弃了。
- Gemini 这类多模态模型:能直接从音频转写出文字,效果很好,但对设备联网要求偏高,而且没有现成的 App 可以接入,所以也作废了。
- Open Typeless:号称是 Typeless 的平替,但它是 Electron 应用,内存占用偏高,所以同样放弃了。
最后选下来,还是用了 VoiceInk。它是用 Swift 写的原生应用,目前仅支持 macOS,运行得很稳,也帮我们处理好了语音输入中的各种常见问题,比如自学习、快捷键绑定、模型选择等,让我们只需要关注整个流程中最重要的两部分:转写和润色。
安装
与 Typeless 不同,VoiceInk 支持本地模型,也支持接自己的 API。也因此它没法像 Typeless 那样开箱即用,但可控性和选择自由度更高。我们主要有三部分要做:
- 编译源项目:VoiceInk 的官方版需要一次性付费,但如果从本地构建就完全免费,感觉就像是在买个 Apple 签名钱。
- 配置转写模型:转写就是把音频转成文本。常用的模型有 OpenAI 的 Whisper 和阿里的 Qwen3-ASR 等。图省事可以直接在软件里下载内置的 Whisper Large v3 Turbo;想要更高准确率,我推荐今年年初开源的 Qwen3-ASR 语音转写模型,无论速度、准确性,还是中英文混输的表现都比 Whisper 更好。不过 VoiceInk 没有内置它,需要本机另起服务再通过自定义接口接入,架构和对比实测放在下半部分。
- 配置润色模型:这部分的选择自由度很高,一般选响应快的小模型就行。我个人比较推荐 Gemini 的 Hydrogen 模型和 DeepSeek Flash 模型,前者比较说人话,后者速度很快。我这里选后者,毕竟大肥鱼的价格大家有目共睹,用起来不烧心🤣
优化
虽然做完上面三步已经能简单用起来了,但想媲美 Typeless 的体验,还可以顺手打开下面几个开关:
- 填入一份干净的润色提示词,比如补充标点、去掉口头禅、防止把口述内容当成指令来回复等。
- 把常用专有名词加入词典,比如 Whisper、Haiku、Opus、Antigravity 这些常用词都可以加进去。
- 开启屏幕上下文感知。这一项提升很大,原理是用苹果内置的 OCR 模型把屏幕上的文本提取出来,再喂给润色模型,让它知道你当前在看什么,纠错会准不少。
把上面这些做完,你就能得到一个大概 85% 好用、而且不限额度的 Typeless 平替了。后面我自己折腾的架构、实测和踩坑备忘单独写在另一篇里,有兴趣可以接着看:VoiceInk + Qwen3-ASR 进阶调优与踩坑备忘。