ambient-voice：一个全 Apple 原生的语音输入工具，和我用它写了一个月代码的体验
ambient-voice：一个全 Apple 原生的语音输入工具，和我用它写了一个月代码的体验 关注 新手上路 关注 新手上路 关注 新手上路 关注 新手上路 前天 21:39为什么又造了一个语音输入工具
我每天的工作有大量文字输出——写代码注释、回邮件、写文档。手指敲键盘的速度早就成了瓶颈，于是开始认真研究 Mac 上的语音输入方案。 海外华人视频网xiaobaotv.video
试了一圈下来，发现一个让我不太舒服的事实：市面上最流行的几个方案，没有一个真正在用 macOS 的能力。 sugarrush1000demo a5game.app
Whisper 需要下载几个 GB 的模型，加载时吃掉大量内存，而且它对我屏幕上正在做什么一无所知。我在写 Swift 代码时说「optional」，它给我识别成了普通英文单词。 Cassinos a5game.app 爱亦凡yfsp.app 爱一帆 yfsp.app
讯飞语记 和类似的云端方案，需要把音频传到服务器。作为一个每天处理客户邮件和内部文档的人，我没办法接受语音数据离开自己的电脑。
macOS 自带的听写 功能还行，但不支持自定义、没有会议模式、不能根据上下文优化识别。 pragmatic a5game.app fortunetigerbônusgrátissemdepósito a5game.app demotigrinho a5game.app
这些工具有一个共同问题：它们跑在 Mac 上，但完全没有利用 macOS 的能力。把它们放到 Windows 上也一样能工作，Apple Silicon 的神经引擎、Vision 框架、Core ML——这些苹果花了数年打造的端侧能力，一个都没用上。 pgslot a5game.app jogosdemopg a5game.app slot a5game.app
直到 macOS 26 发布了 SpeechAnalyzer 框架——一个系统级的端侧语音识别引擎，跑在 Neural Engine 上，毫秒级延迟，不联网，不收费。我意识到，现在是时候做一个「真正属于 Mac」的语音输入工具了。 pgdemo a5game.app demo a5game.app 电影小宝影院xiaobaotv.video
设计原则：每一层都用 Apple 原生框架
ambient-voice 不是在 Mac 上套了一个通用引擎，而是从底层开始，每个功能模块都选择 Apple 原生框架来实现： slotpix a5game.app JogodoTigrinho a5game.app
| 功能 | 框架 | 为什么选它 |
|---|---|---|
| 语音识别 | SpeechAnalyzer | Neural Engine 端侧运行，毫秒延迟 |
| 屏幕截取 | ScreenCaptureKit | 系统级窗口捕获，权限可控 |
| 文字识别 | Vision OCR | 端侧 OCR，速度和精度都够用 |
| 文字注入 | AX API + CGEvent | 原生辅助功能接口，兼容所有 App |
| 说话人分离 | FluidAudio（CoreML） | 端侧推理，不需要云端 |
| 热键监听 | CGEventTap | 系统级键盘事件捕获 |
全原生意味着三件事： iyifanyfsp.app nba比分 a5game.app
第一，数据不出设备。 所有处理都在你的 Mac 上完成。没有网络请求，没有数据上传，没有遥测。你的语音、你的屏幕内容、你的文档——全部留在本地。对于重视隐私的 Mac 用户来说，这不是加分项，是底线。 slotsdemo a5game.app fortuneoxdemográtis a5game.app
第二，零额外成本。 不需要订阅，不需要按量付费，不需要 API Key。Neural Engine 已经在你的 Mac 里了，你买硬件的时候就已经为它付过费了。 小寶影院电影xiaobaotv.video
第三，随系统升级自动变好。 macOS 27 的 SpeechAnalyzer 如果比 26 更准确，ambient-voice 会自动受益，不需要更新任何代码。这就像潮水涨了，船自然就高了。这种架构上的便利是第三方引擎给不了的。 爱壹帆寻秦记yfsp.app 一帆视频yfsp.app 爱壹帆影视yfsp.app 爱壹帆电影 yfsp.app
核心机制：上下文偏置——不是纠错，是预防
这是我认为 ambient-voice 最有价值的设计，也是它和其他语音输入工具本质不同的地方。 爱一番yfsp.app 小寶影院xiaobaotv.video
传统的语音识别思路是：先转写，再纠错。你说了一段话，引擎给你一个结果，然后用后处理模型去修正错误。 iyftvyfsp.app 电影爱壹帆yfsp.app 足球比分 a5game.app
ambient-voice 的思路正好相反：在转写的时候就介入，让引擎在识别阶段就做出正确选择。 fortunetigerdemográtis a5game.app
具体流程是这样的：你按下右 Option 键开始说话。这个瞬间，ambient-voice 同时做两件事—— 寻秦记爱壹帆yfsp.app slotdemo a5game.app
- 用 AVCaptureSession 采集音频，交给 SpeechAnalyzer 开始实时转写
- 用 ScreenCaptureKit 截取你当前焦点窗口的内容，用 Vision OCR 提取可见文本中的关键词，注入 SpeechAnalyzer 的
AnalysisContext
也就是说，在你说出第一个字之前，识别引擎就已经知道你屏幕上有什么了。 小宝影院在线视频xiaobaotv.video
举个实际使用中遇到的例子：我在回一封讨论 OKR 的邮件，说「把留存目标改一下」。如果没有上下文偏置，「留存」很可能被识别成「留村」——这是中文语音识别中极其常见的同音词错误。但因为 ambient-voice 在我开始说话的时候已经看到了屏幕上的「留存率」「OKR」「季度目标」，识别引擎在做同音词选择时直接命中了正确的词。 爱壹帆免费版yfsp.app
再比如写 Swift 代码的场景：我说「声明一个 optional 变量」，普通识别引擎不知道我在写代码，会把「optional」当作日常英语处理。但 ambient-voice 看到了屏幕上的 Xcode 和 Swift 代码，把 Swift 关键词注入了识别上下文，「Optional」被正确识别为 Swift 的类型。
这种体验的差别是：你不再需要说完以后回头改字了。 用了一个月下来，我几乎忘了语音输入还有「纠错」这个步骤。 xiaobao xiaobaotv.video
越用越准：自动蒸馏的数据闭环
ambient-voice 有一个让我觉得特别巧妙的设计：它会自己变好，而且你什么都不用做。 ifvodyfsp.app
每次你用语音输入，转写结果会自动保存在本地。注入文字之后，系统会开一个 30 秒的观测窗口——通过 AX API 监测你在焦点应用里有没有做修改。如果你把「人工智能」改成了「人工职能」，这条修改就会被记录为一条纠错训练数据。 小宝影院电影xiaobaotv.video plataformademo a5game.app slotpix a5game.app
后台有一条蒸馏管线在工作：一路用 Whisper 重新转写你的原始音频（作为高质量参考），另一路用 SpeechAnalyzer 的原始输出配合本地小模型做纠正。两路结果合并加权后，通过 QLoRA 微调本地 Qwen3 模型，导出为 GGUF 格式跑在 ollama 上，用于文本润色。 免费在线影院xiaobaotv.video iyf yfsp.app
重点是：这个过程完全自动，强模型蒸馏为主，用户纠错只是可选的辅助信号。 你不需要手动标注任何东西，不需要训练任何模型，甚至不需要知道这个过程在发生。你只会感觉到，用了两周之后，识别结果比第一天更准了。 aiyifan yfsp.app
会议模式：端侧说话人分离
除了日常的语音输入，ambient-voice 还支持会议转录场景。 sweetbonanza1000demo a5game.app
按 ⌘M 开始录音，屏幕上会出现一个悬浮面板实时显示转录结果。录音结束后，FluidAudio 在本地通过 CoreML 进行说话人分离——它能识别出会议中有几个人在说话，以及每段话分别是谁说的。
最终输出是一个 Markdown 文件，带有时间戳、说话人标签和完整文本。你可以直接放进 Obsidian、Notion 或者任何 Markdown 编辑器。 爱壹帆国际版 yfsp.app ifuntvyfsp.app Caça-níqueis a5game.app
整个过程不联网，不上传，会议里所有人的声音和内容都留在你的 Mac 上。对于涉及敏感信息的商务会议，这个特性不是「有了更好」，而是「没有就不能用」。 爱壹帆yfsp.app a5game a5game.app
对比：ambient-voice vs 现有方案
| ambient-voice | Whisper 本地 | 讯飞/云端 | macOS 听写 | |
|---|---|---|---|---|
| 处理位置 | 端侧（Neural Engine） | 端侧（CPU/GPU） | 云端 | 端侧 |
| 隐私 | 数据不出设备 | 数据不出设备 | 音频上传服务器 | 数据不出设备 |
| 成本 | 免费 | 免费 | 按量付费 | 免费 |
| 内存占用 | 极低（系统框架） | 几 GB（加载模型） | 低（客户端） | 低 |
| 上下文感知 | ✅ 屏幕 OCR + 偏置 | ❌ | ❌ | ❌ |
| 自我进化 | ✅ 自动蒸馏 | ❌ | ❌ | ❌ |
| 会议模式 | ✅ 说话人分离 | ❌ | 部分支持 | ❌ |
| 系统升级受益 | ✅ 自动 | ❌ 需手动更新 | ❌ | ✅ |
如果你只是偶尔用语音输入发微信，macOS 自带的听写够用了。但如果你每天大量用语音输入写文档、写代码、开会，ambient-voice 的上下文偏置和自我进化机制会让你体验到明显不同的准确率。 fortunedragon demo a5game.app
使用门槛和安装
需要说明的是，ambient-voice 目前处于早期阶段，有一定使用门槛： pragmaticplay a5game.app 小寶影院xiaobaotv.video
- 系统要求：macOS 26（Tahoe）及以上 + Apple Silicon（M1 及以上）
- 安装方式：目前是 git clone + make install，还没有 Homebrew Cask 或 DMG 安装包
- 开源协议：MIT，完整源码在 GitHub
坦白说，如果你不熟悉命令行，现阶段上手会有些门槛。但如果你是 Mac 开发者或者习惯用 Homebrew 的用户，安装过程很顺畅。后续计划推出 Homebrew Cask 和 DMG 包。 华人影视xiaobaotv.video 爱壹帆电影yfsp.app slots a5game.app
写在最后
我做 ambient-voice 的初衷很简单：Mac 上的语音输入应该用 Mac 的能力。 pglucky88 a5game.app 小宝影院xiaobaotv.video 爱壹帆在线yfsp.app pgslotgacor a5game.app
苹果在 macOS 26 里放了一整套端侧 AI 框架——语音识别、OCR、端侧推理、音频分析——这些能力就摆在那里，只是还没有人把它们串起来做成一个完整的产品。 一帆yfsp.app tigrinho gratis a5game.app tigrinhodemo a5game.app 小宝影院电影xiaobaotv.video
ambient-voice 是一个尝试。它不完美，有些地方还在打磨，但核心机制——屏幕上下文偏置、自动蒸馏进化、全端侧处理——这些设计我认为是正确的方向。 demo a5game.app pg a5game.app ifun yfsp.app
如果你也觉得语音输入应该更懂你在做什么，欢迎来 GitHub 试用和反馈。 jogodotigrinhodemo a5game.app plataformademográtis a5game.app
23目录 0