离线语音转文字实测：24 种语言、5 倍实时速度，Handy 凭什么断网也能出字

离线语音转文字实测：24 种语言、5 倍实时速度，Handy 凭什么断网也能出字

【免费下载链接】HandyA free, open source, and extensible speech-to-text application that works completely offline.项目地址: https://gitcode.com/GitHub_Trending/handy11/Handy

飞机刚进入平飞，我对着笔记本口述了一整段采访提纲。降落时打开备忘录，那段话已经整整齐齐躺在里面——全程没连过一次网。让"说话自动变成文字"脱离云端的，是一款叫 Handy 的开源桌面应用：完全离线的语音转文字，录音、识别、文本生成全部在本机完成。它为什么敢断网干活？普通人又该怎么把它用起来？这篇笔记按"原理—上手—亮点—场景"的顺序拆给你看。

它怎么在断网时听懂人话的 🎙️

很多人第一次听到"离线语音识别"，会下意识以为是个缩水版。其实 Handy 的思路恰恰相反：它把整套识别引擎搬进了你的电脑，而不是从云端"借"算力。

流程很短：按下快捷键开始录音 → 说话 → 松手 → 文字自动出现在光标所在的位置。其中有两个细节值得单独拎出来：

• 静音是"剪"掉的。录音过程中，Silero 语音活动检测（VAD）会实时判断哪些片段是有效语音，把停顿、吸气、背景噪声滤掉，交给识别器的都是"干货"，既省算力也省时间。
• 模型是可以选的。默认提供 Whisper 家族（Small / Medium / Turbo / Large），有 GPU 时自动加速；另有一个专为 CPU 优化的 Parakeet V3，最低只需要 6 代酷睿，官方在 i5 上测出约 5 倍实时速度，还自带自动语言检测——不用手动指定语种。

0.9.0 版本之后，主引擎换成了 transcribe.cpp，最直观的变化是支持流式模型：像 Parakeet Unified（面向英语）、Nemotron Streaming 3.5（面向多语言）这类模型，文字会随着你的语速"边读边出"，而不是等一句话说完才整体蹦出来。⚡

从装好到第一次出字，大概一首歌的时间

上手不需要动代码。装好后给它麦克风权限和辅助功能权限，设一个顺手的快捷键，第一次录音时它会提示下载模型，之后就进入了"按一下、说一句、出字"的循环。

• macOS：brew install --cask handy
• Windows：winget install cjpais.Handy
• 其他平台：从发布页下载对应系统的安装包

想从源码构建也不难，环境准备好后几条命令即可：

git clone https://gitcode.com/GitHub_Trending/handy11/Handy cd Handy npm install npm run tauri dev

如果你习惯命令行，它还暴露了一组远程控制参数：--toggle-transcription开关录音、--cancel取消当前操作、--start-hidden静默启动。这些参数在 Wayland 桌面环境里尤其好用——系统快捷键没法直接联动应用时，把快捷键指向这条命令就行。调试模式也随时可用：macOS 按Cmd+Shift+D，Windows/Linux 按Ctrl+Shift+D，里面能看到完整日志和路径信息。

那些把"能用"变成"好用"的开关 🧩

默认配置已经能干活，但 Handy 的真正乐趣藏在设置里。src/components/settings/目录下挂着几十个开关，挑几个我日常用得最多的：

流式覆盖层。用流式模型时，屏幕角落会出现一个半透明小窗，你正在说的话实时变成文字显示在上面，边说边确认，说错了当场改口重说。

Push-to-talk 模式🎤。按住快捷键说话、松开即停，适合不想让录音一直挂着的人；配合音频反馈音，能清楚判断当前是否在录。

自定义词汇表。专业术语、人名、产品名反复识别错？在"自定义词汇"里加进去，之后命中率明显提升。转录文本还能做后处理：过滤"嗯""那个"这类填充词、补上标点、甚至接入 OpenAI 兼容接口（自定义 Base URL 加 API Key，macOS 上还能用 Apple Intelligence）让文字更通顺。

多语言与多模型。界面和识别一起覆盖 24 种语言，阿拉伯语、希伯来语这类从右往左的文字也做了适配。除了内置模型，把社区训练好的 Whisper GGML 模型丢进数据目录的models文件夹，重启后就会出现在"自定义模型"里——扩展性这件事，它是认真的。

真实场景：把一场评审会说成纪要 📝

每周五的产品评审会，我现在的做法是：开着 Handy，用 Push-to-talk 在自己发言时按住快捷键，别人说话时松开。散会后，我口述一段"今天的结论是……"，几秒钟内就能得到一份结构化的纪要草稿，稍作整理就能发出去。手不用离开桌面，眼睛也不用在窗口之间来回跳。

对打字困难或视力障碍的用户，这个"说话即输入"的能力价值更大——它本质上是一条不依赖键盘的输入通道，而且所有识别都在本地完成，敏感内容不会经过任何服务器，这也正是它把"离线"当卖点而非妥协的原因。

踩坑清单：提前替你填平的几个坑 ⚠️

• 麦克风没声音：先查系统隐私设置里的麦克风权限，再确认没有其他应用独占设备。
• 识别率不理想：换更大的模型试试；排查环境噪音；如果专业词多，先更新自定义词汇表。
• Linux 上文字粘贴不进去：X11 装xdotool，Wayland 装wtype或dotool，这是文本输入的底层依赖，README 里有完整的对照表和配置说明。
• 网络受限、模型下载不了：直接用浏览器下载模型文件，手动放进数据目录的models文件夹，重启即可识别；目录结构和命名规则见 README.md 的 Troubleshooting 一节。
• macOS 蓝牙耳机录音时音质下降：这是蓝牙双向音频的固有限制，输出保持耳机、输入改用 Mac 内置麦克风即可。

它不是最强的，却是最容易被 fork 的

Handy 的自我定位很有意思，项目 README 里写得很直白：它没打算做"最好"的语音转文本应用，而是想做"最容易被 fork 的那一个"。代码基于 MIT 协议开源，前端是 React + TypeScript，后端是 Rust（Tauri 框架），核心处理逻辑集中在src-tauri/src/——想自己加功能、换模型、接插件，都有清晰的下手点。社区也已经为它做了 Raycast 扩展，能在启动器里直接开关录音、翻转录历史。

下次你需要"把话变成字"，又不想让任何一句私密内容离开电脑时，不妨试试它。先装好，再花几分钟调一调快捷键和模型，然后你就会发现：断网，从来不是语音输入的天花板。

【免费下载链接】HandyA free, open source, and extensible speech-to-text application that works completely offline.项目地址: https://gitcode.com/GitHub_Trending/handy11/Handy