Voice Input Tool - 语音输入助手

一款轻量级 Windows 桌面语音输入工具，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。

功能特点

• 一键语音输入：点击浮动麦克风按钮开始/停止录音
• 高精度中文语音识别：基于 FunASR Paraformer 本地模型，无需联网
• 专业词汇热词：自定义热词文件，提升专业术语识别准确率
• 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
• 托盘快捷操作：左键托盘图标也可触发录音
• 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

架构设计

用户点击按钮 / 左键托盘图标
        │
        ▼
┌──────────────┐
│  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
└──────────────┘

快速开始

环境要求

• Windows 10/11
• Python 3.10+（推荐 3.12）
• 麦克风设备

安装

# 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

运行

python main.py

首次运行会自动下载 ASR 模型（约 900MB），请耐心等待。

使用方法

1. 启动程序：运行后在屏幕右侧出现蓝色麦克风浮动按钮
2. 开始录音：点击按钮，听到高音提示，按钮变红闪烁
3. 停止录音：再次点击按钮，听到低音提示，按钮变黄处理中
4. 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
5. 取消处理：处理中点击按钮可取消
6. 移动按钮：按住拖拽可移动按钮位置
7. 退出：右键系统托盘图标 → 退出

热词配置

编辑项目根目录的 hotwords.txt，每行一个专业术语：

PyTorch
FunASR
Paraformer
GLM

也可通过托盘菜单 → 编辑热词 快速打开编辑。保存后重启程序生效。

状态说明

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，显示识别文字或时长
处理中	黄色	ASR + GLM 处理中

项目结构

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 + 流式）
├── text_processor.py  # GLM 文本后处理
├── config.py          # 配置文件
├── hotwords.txt       # 热词配置文件
├── 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

技术栈

组件	技术	说明
语音识别	FunASR Paraformer-zh	阿里达摩院开源，本地推理
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

第三方依赖

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

测试

pip install pytest
python -m pytest tests/ -v

演示视频

B站演示视频

许可证

MIT License