按住 CapsLock 说话，松开就上屏。就这么简单。
VoxCaps 是一个专为 Windows 打造的本地优先语音输入工具，支持客户端内置动态状态岛、局域网服务端和离线模型。
本项目基于 HaujetZhao/CapsWriter-Offline 二次开发。感谢原作者 Haujet Zhao 提供离线语音识别、客户端/服务端通信、热词和文本处理等核心能力。
VoxCaps 不是原项目的官方发行版。原项目版权和 MIT License 均完整保留，详细来源见 NOTICE.md。在原仓库基础上，VoxCaps 3.x 主要增加和调整了：
- 客户端内置灵动岛：无需额外脚本，以琥珀、青蓝、紫色分别反馈麦克风准备、录音和识别状态，成功或失败后立即隐藏；
- CapsLock 按需麦克风：启动只预热一次，空闲不持续占用；短按保持大小写功能，长按超过 250 毫秒才进入语音输入，并保留开头音频；
- 连续口述顺序送达：允许上一段识别时继续录制，结果严格按录音顺序上屏；
- 独立 VoxCaps 品牌：统一窗口、托盘、客户端和服务端 EXE 的多尺寸 Windows 图标；
- 可复现双包发布：提供客户端+服务端完整包与纯客户端包，并自动检查测试、版本、图标和 ZIP 内容一致性；
- 使用说明增强：补充局域网客户端、麦克风权限、灵动岛状态，以及中文语境夹英文单词的模型选择建议。
- 语音输入：按住
CapsLock键或鼠标侧键X2说话，松开即输入，超低延迟，默认去除末尾逗句号。支持对讲机模式和单击录音模式。 - 文件转录：音视频文件往客户端 exe 一丢，字幕 (
.srt)、文本 (.txt)、时间戳 (.json) 统统都有。 - 数字 ITN：自动将「十五六个」转为「15~16个」，支持各种复杂数字格式。
- 热词替换：在
hot.txt记下偏僻词，通过音素模糊匹配，相似度大于阈值则强制替换。 - 正则替换：在
hot-rule.txt用正则或简单等号规则，精准强制替换。 - LLM 角色：预置了润色、小助理等角色，当识别结果的开头匹配任一角色名字时，将交由该角色处理。
- 托盘菜单：右键托盘图标即可添加热词、复制结果、清除LLM记忆。
- 动态状态岛：随客户端自动启动，以琥珀、青蓝和紫色分别提示准备、录音和识别；成功或失败后立即隐藏，不显示绿色完成或红色错误动画。
- C/S 架构：服务端与客户端分离，虽然 Win7 老电脑跑不了服务端模型，但最少能用客户端输入。
- 日记归档：按日期保存你的每一句语音及其识别结果。
- 录音保存：所有语音均保存为本地音频文件，隐私安全，永不丢失。
VoxCaps 保留完全离线、低延迟、高准确率和高度自定义的核心体验，同时增强了录音、识别、送达和异常状态的桌面反馈。
以下为支持的模型：
| 引擎名 | 准确性 | 中文夹英文 | 速度 | 格式 | 显卡加速 |
|---|---|---|---|---|---|
| Paraformer | ★★★☆☆ | 较弱 | ★★★★★ | ONNX | ❌ |
| SenseVoice-Small | ★★★☆☆ | 一般 | ★★★★★ | ONNX | ✅ |
| Fun-ASR-Nano | ★★★★☆ | 较好 | ★★★★☆ | ONNX + GGUF | ✅ |
| Qwen3-ASR | ★★★★★ | 最好 | ★★★☆☆ | ONNX + GGUF | ✅ |
“中文夹英文”指中文句子中混说英文单词、缩写和技术术语时的相对表现。这里给出的是基于模型语言覆盖和实际使用特征的经验性分级，并非同一测试集上的百分比基准；口音、麦克风、语速、上下文和热词都会影响结果。Paraformer 更适合纯中文和常见词；SenseVoice-Small 能处理中英混说，但生僻技术词仍可能不稳定；Fun-ASR-Nano 在速度与中英文混合准确率之间较均衡，并可通过 config_client.py 的 context 补充人名、产品名和专业术语；Qwen3-ASR 的多语言和上下文能力最强，但资源占用也最高。
性能参考（20s 音频转录延迟）：
| 模型 | CPU U9-285H | GPU RTX5050 |
|---|---|---|
| Paraformer | 0.6s | - |
| SenseVoice-Small | 0.6s | 0.15s |
| Fun-ASR-Nano | 2.0s | 0.5s |
| Qwen3-ASR-1.7B | 4.0s | 1.0s |
详细功能说明请参考 docs/ 目录：
- 环境依赖安装说明 — VC++ 运行库、FFmpeg 安装
- 热词功能如何使用 — 热词替换、规则替换、自定义短语
- 角色功能如何使用 — LLM 角色配置、输出模式、创建新角色
- 识别语言如何配置 — 各引擎语言支持范围与配置方法
- 文件转录功能如何使用 — 拖拽转字幕、时间戳对齐
- 显卡加速的若干问题 — DirectML、Vulkan 加速配置
- 模型下载的若干问题 — 引擎选择、模型下载、目录结构
- 常见问题 — FAQ
- 动态状态岛与 UV 双包构建 — 状态说明、自定义尺寸、维护者构建
- 更新日志
目前仅能保证在 Windows 10/11 (64位) 下完美运行。
- Linux：暂无环境进行测试和打包，无法保证兼容性。
- MacOS：由于底层的
keyboard库已放弃支持 MacOS，且系统限制极多，暂时无法支持。
LazyTyper 和 闪电说 也是很优秀的作品，都有离线引擎，都支持 Windows Linux 与 MacOS，并都有漂亮的图形化页面，推荐使用。
VoxCaps 的特别之处在于追求：
- 无感输入
- 完全离线，不受网络约束
- 低延迟，尽量做到硬件极限的最快速度
- 高度自定义的热词系统
- 准备环境：确保安装了 VC++ 运行库。若要使用文件转录功能，还需安装 ffmpeg 并确保其在系统 PATH 中。
- 下载解压：下载 VoxCaps Latest Release 里的软件本体；模型仍从原项目的 Models Release 下载，解压到
models文件夹中对应模型目录。 Windows 完整包已经包含 Fun-ASR-Nano、Qwen3-ASR 等 GGUF 引擎所需的 llama.cpp Vulkan 运行库以及音频解码依赖，不需要另外寻找或复制 DLL；按模型目录说明放好模型后即可启动 Server。 - 启动服务：双击
start_server.exe，它会自动最小化到托盘菜单。 - 启动听写：双击
start_client.exe，它会自动最小化到托盘菜单。 - 开始录音：按住
CapsLock键或鼠标侧键X2就可以说话了！
CapsLock是唯一的键盘语音触发键；右 Alt 和 AltGr 不被 VoxCaps 接管，保持 Windows 原有行为。- 按住超过 250 毫秒才确认为语音输入；250 毫秒内松开属于短按，仍正常切换大小写。
- 按下 CapsLock 时会异步打开麦克风并暂存开头音频，因此短按时 Windows 麦克风指示可能短暂闪现；松开后会立即释放。
- 客户端启动约 1 秒后只预热一次麦克风，验证成功或失败后都会立即关闭；空闲时不会持续占用麦克风。
- 麦克风不可用时，客户端只提示检查 Windows 麦克风权限或安全软件设置，不会崩溃；下一次长按会自动重试。
所有的设置都在根目录的 config_server.py 和 config_client.py 里，可直接编辑。
Q: 为什么按了没反应？
A: 请确认 start_client.exe 的黑窗口还在运行。若想在管理员权限运行的程序中输入，也需以管理员权限运行客户端。
Q: 为什么识别结果没字？
A: 到 年/月/assets 文件夹中检查录音文件，看是不是没有录到音；听听录音效果，是不是麦克风太差，建议使用桌面 USB 麦克风；检查麦克风权限。
Q: 想要隐藏黑窗口？
A: 点击托盘菜单即可隐藏黑窗口。
Q: 如何开机启动？
A: Win+R 输入 shell:startup 打开启动文件夹，将服务端、客户端的快捷方式放进去即可。
更多问题请参阅 docs/常见问题.md。
以下项目来自 CapsWriter-Offline 原作者 Haujet Zhao：
| 项目名称 | 说明 | 体验地址 |
|---|---|---|
| IME_Indicator | Windows 输入法中英状态指示器 | 下载即用 |
| Rust-Tray | 将控制台最小化到托盘图标的工具 | 下载即用 |
| Gallery-Viewer | 网页端图库查看器，纯 HTML 实现 | 点击即用 |
| 全景图片查看器 | 单个网页实现全景照片、视频查看 | 点击即用 |
| 图标生成器 | 使用 Font-Awesome 生成网站 Icon | 点击即用 |
| 五笔编码反查 | 86 五笔编码在线反查 | 点击即用 |
| 快捷键映射图 | 可视化、交互式的快捷键映射图 (中文版) | 点击即用 |
本项目基于以下优秀的开源项目：
同时感谢 CodeX 编程助手为本分支开发提供帮助。