一款轻量级 Windows 桌面语音输入工具，按 Alt+V 或点击浮动按钮即可录音，自动将语音转为文字并粘贴到当前光标位置。
- 全局热键：
Alt+V随时随地触发录音，无需切换窗口或点击按钮 - 一键语音输入：点击浮动麦克风按钮开始/停止录音
- 边缘自动隐藏：拖到屏幕边缘自动缩成一条线，鼠标移入展开，不占桌面空间
- 托盘隐藏按钮：托盘菜单可隐藏/显示浮动按钮，仅用快捷键操作
- 实时预览：录音过程中实时显示流式识别文字，所见即所得
- 方言口音识别：基于 SeACo-Paraformer 模型，自动识别方言口音，无需手动选择
- 行业词库管理：托盘菜单选择行业词库（医疗/法律/科技/金融/游戏），自动下载并增强识别
- 上下文感知纠错：根据当前使用的软件自动推断领域，精准纠错专业术语
- 托盘快捷操作：左键托盘图标也可触发录音
- 智能文本后处理：利用 GLM-5.1 大模型自动纠错、添加标点
- 自动粘贴：识别完成后自动将文本粘贴到当前光标位置
- 剪贴板保护：粘贴后自动恢复原有剪贴板内容
- 录音时长显示：录音时实时显示已录时长，最长 60 秒自动停止
- 提示音反馈：开始/停止录音时播放不同音调的提示音
- 全场景通知：超时、识别失败、录音太短等异常均有托盘通知
- 历史记录：自动保存最近 10 条语音输入，托盘菜单可重新粘贴
- 开机自启：勾选后系统启动自动运行，无需手动打开
- 开关纠错：托盘菜单可关闭 GLM 纠错，直接输出 ASR 原文
- 位置记忆：拖拽后自动记住按钮位置，重启恢复
- 可拖拽浮动按钮：悬浮于所有窗口之上，可自由拖拽移动
- 系统托盘：最小化到系统托盘，不占用任务栏空间
用户点击按钮 / 左键托盘图标 / Alt+V 全局热键
│
▼
┌──────────────┐
│ FloatingMic │ PySide6 浮动按钮 UI (ui.py)
│ 三态切换 │ 状态：空闲→录音→处理→空闲
└──────┬───────┘
│
▼
┌──────────────┐
│ AudioRecorder │ sounddevice 录音
│ (recorder.py) │ 16kHz 单声道 int16
└──────┬───────┘
│ numpy float32
▼
┌──────────────┐
│ ASRClient │ FunASR Paraformer-zh
│ (asr_client) │ 本地推理 + 热词增强
└──────┬───────┘
│ 原始文本
▼
┌──────────────┐
│ TextProcessor │ GLM-5.1 API
│(text_processor│ 纠错 + 加标点 + 热词引导
└──────┬───────┘
│ 精修文本
▼
┌──────────────┐
│ Clipboard + │ pyperclip + Ctrl+V
│ Auto Paste │ 剪贴板还原
└──────────────┘
- Windows 10/11
- Python 3.10+（推荐 3.12）
- 麦克风设备
# 克隆仓库
git clone https://github.com/Gern713/voice_input_tool.git
cd voice_input_tool
# 创建虚拟环境（推荐 conda）
conda create -n voice python=3.12 -y
conda activate voice
# 安装依赖
pip install -r requirements.txt
# 配置 API Key（用于文本后处理）
# 方式一：设置环境变量
set ZHIPU_API_KEY=your_api_key_here
# 方式二：直接编辑 config.py获取智谱 AI API Key：https://open.bigmodel.cn
python main.py首次运行会自动下载 ASR 模型（约 900MB），请耐心等待。
- 启动程序：运行后在屏幕右侧出现蓝色麦克风浮动按钮
- 开始录音：按
Alt+V或点击按钮，听到高音提示，按钮变红闪烁 - 停止录音：再次按
Alt+V或点击按钮，听到低音提示，按钮变黄处理中 - 自动粘贴：处理完成后文本自动粘贴到当前光标位置，按钮恢复蓝色
- 取消处理：处理中按
Alt+V或点击按钮可取消 - 移动按钮：按住拖拽可移动按钮位置
- 退出：右键系统托盘图标 → 退出
自定义热词：编辑项目根目录的 hotwords.txt，每行一个术语。也可通过托盘菜单 → 编辑热词 快速打开编辑。
行业词库：托盘菜单 → 词库管理 → 勾选需要的行业词库，系统自动从网络下载并生效：
| 词库 | 覆盖领域 |
|---|---|
| 医疗健康 | 药品、疾病、检查、手术、肿瘤科等 |
| 法律文书 | 民刑诉讼、合同、公司法、知识产权等 |
| 互联网科技 | 后端、前端、AI/ML、DevOps、安全等 |
| 金融财经 | 股票、基金、期权、会计、技术分析等 |
| 游戏电竞 | MOBA术语、排位赛、赛事、装备等 |
词库首次勾选时自动下载并缓存到本地，之后即时生效。可随时取消勾选禁用。
| 状态 | 颜色 | 说明 |
|---|---|---|
| 空闲 | 蓝色 | 等待用户操作 |
| 录音中 | 红色脉冲 | 正在录音，按钮下方实时显示流式识别文字 |
| 处理中 | 黄色 | ASR + GLM 精准识别 + 纠错中 |
voice_input_tool/
├── main.py # 程序入口
├── ui.py # FloatingMic 浮动按钮 UI
├── app.py # VoiceInputApp 流程编排
├── history.py # 历史记录模块
├── recorder.py # 音频录制模块（支持 chunk 回调）
├── asr_client.py # ASR 客户端（离线识别 + 热词）
├── text_processor.py # GLM 文本后处理（上下文感知）
├── dict_manager.py # 行业词库管理（下载/缓存/合并）
├── config.py # 配置文件
├── hotwords.txt # 自定义热词配置文件
├── dicts/ # 预置行业词库
│ ├── medical.txt
│ ├── legal.txt
│ ├── tech.txt
│ ├── finance.txt
│ └── gaming.txt
├── requirements.txt # Python 依赖
├── tests/ # 单元测试（63 项）
│ ├── test_recorder.py
│ ├── test_asr_client.py
│ ├── test_text_processor.py
│ ├── test_config.py
│ ├── test_history.py
│ ├── test_ui_state.py
│ ├── test_paste_flow.py
│ └── test_integration.py
└── README.md
| 组件 | 技术 | 说明 |
|---|---|---|
| 语音识别 | FunASR SeACo-Paraformer | 阿里达摩院开源，方言口音 + 热词增强 |
| 文本后处理 | GLM-5.1 | 智谱 AI 大模型 API |
| 桌面 UI | PySide6 (Qt) | 浮动窗口 + 系统托盘 |
| 音频录制 | sounddevice | 跨平台音频输入 |
| 粘贴功能 | ctypes + pyperclip | Windows 原生键盘模拟 |
| 全局热键 | Win32 RegisterHotKey | Alt+V 系统级快捷键 |
| 包名 | 用途 |
|---|---|
| PySide6 | Qt 桌面 GUI 框架 |
| sounddevice | 麦克风音频录制 |
| numpy | 音频数据处理 |
| funasr | 语音识别模型推理 |
| modelscope | ASR 模型下载 |
| pyperclip | 剪贴板操作 |
pip install pytest
python -m pytest tests/ -vMIT License