Saymore 是一款面向 Windows 的纯本地中文语音输入与口述整理软件，具备语音识别 + 文本整理 + 自定义术语 + 上下文语境识别 + 历史热词提炼等功能。其中文本整理功能除了最基本的去口水词、重复词、纠错、标点符号修正等之外，还增加了4种整理方式，包括最能保留用户原始说话风格的轻度整理、将口语转换为书面化风格的深度整理、邮件格式整理、00后语言风格整理。目前程序只有windows客户端（mac和linux随后推出），安装后常驻后台，使用唤醒词启动（默认唤醒词‘小咪’，可在配置里修改）。使用普通cpu可流畅运行，使用4G显存的GPU可以提高一倍的速度。
如果你正在寻找 Windows 离线中文语音输入、录音不上传云端的本地语音输入，或者 把中文口述整理成邮件的工具，可查看 Saymore 使用场景与常见问题。
下面是几个整理方式的示例：
轻度整理(保留原始说话风格,只去口水词/重复词/纠错/加标点):
深度整理(口语 → 书面语):
邮件整理(口语 → 邮件正文):
- 全本地、零上传:ASR、文本整理、热词学习都在本机跑，所有内容全在本地，0上传。
- 常驻 + 唤醒词:后台驻留,说唤醒词后（默认
小咪，可修改)才开始录,不用按键。超过5分钟无语音输入则主动休眠，卸载模型，节省系统资源。 - 多种文本整理方式:已微调文本整理LoRA,支持多种整理方式(轻度/深度/邮件/00后),可以去掉口水词、重复词、自动纠错、转换为书面用语/邮件格式、转换说话风格（00后）。
- CPU可流畅运行、GPU只需4G显卡:CPU运行语音识别大概1-2秒，GPU只需0.5秒。整段文字的文本整理CPU稍慢，大概5秒左右，GPU在2秒左右。
- 自定义专业术语:可以自定义几十个专业术语，会自动加入大模型上下文，让程序识别更精准。
- 从上下文提词、从历史记录提词:从当前对话窗口的上下文里提取术语，并从用户本地历史记录提取高频专业词汇，放入模型的上下文，让模型越用越懂你。
- 语音命令:通过一系列自定义的语音命令来控制程序，无须触碰键盘，比如直接说"发送"回车、"回退"删词、"清空"清屏、"休眠"下线。
挑三个对标品直接摆开:Typeless(海外爆款商业 AI 听写)、微信输入法(国内用户量最大的免费语音输入)、OpenWispr(海外热门的本地开源方案)。
| Saymore | Typeless | 微信输入法(语音) | OpenWispr / OpenWhispr | |
|---|---|---|---|---|
| 中文识别质量 | ✅ Qwen3-ASR,当前中文 SOTA 之一 | ✅ 腾讯大模型,中文强 | ||
| 本地 / 隐私 | ✅ 100% 本地 | ❌ 云端(音频上传 AWS) | ❌ 云端(离线仅基础版) | ✅ 本地(也支持云 BYOK) |
| 价格 | ✅ 免费开源 | ❌ $30/月 或 $144/年;免费版 8000 词/周封顶 | ✅ 免费 | ✅ 免费开源 |
| 口语 → 书面语润色 | ✅ 本地 LoRA,四种人格(轻度/深度/邮件/00后) | ✅ 云端 LLM,按 app 自适应语气 | ❌ 无(有些分支支持 BYOK 云 LLM) | |
| 唤醒词免手操作 | ✅ 本地 KWS,自定义唤醒词 | ❌ 快捷键 | ❌ 要点麦克风按钮 | ❌ 快捷键 |
| 任意窗口都能填字 | ✅ UIA 自动定位输入框 | ✅ 系统级注入 | ✅(输入法层) | ✅ 光标位置注入 |
| 术语/热词自学习 | ✅ 术语表 + 历史高频词 + 屏幕上下文三路偏置 | ❌ | ||
| 平台 | Windows(Mac/Linux 计划中) | Win / Mac / iOS / Android | Win / Mac / 移动 | Mac 为主(部分分支支持 Windows) |
| GPU 门槛 | 🟢 Vulkan,4GB 显存 / 也能纯 CPU | — (云端) | — (云端) | 🟡 CPU 可跑,GPU 更快 |
跟 Typeless 比: 思路最接近——都是"识别 + AI 润色"一条龙。差别在两点:一是 Typeless 音频走云(即便宣称"零留存",2025 年底有独立分析质疑其数据流向),Saymore 一个字节都不出机;二是 Typeless $30/月封顶订阅、免费版 8000 词/周就断,Saymore 免费开源,没有上限。中文场景 Saymore 的 Qwen3-ASR + 中文 LoRA 也更贴。
跟微信输入法比: 微信输入法胜在免费、上手快、中文识别确实好。但它是云端服务,你说的每句话都上腾讯服务器;而且它只做"识别 + 加标点 + 去口水词"这一层,不会把"呃那个我觉得吧这个方案应该是可以的"重写成一封能直接发出去的邮件。Saymore 的定位是"识别 + 深度整理",全程本地。
跟 OpenWispr 比: OpenWispr(以及同名的 OpenWhispr / open-wispr 几个分支)是海外最火的开源本地方案,思路和 Saymore 一致——本地转写、光标位置直接落字。但它们基本围绕 Whisper 生态,中文效果撑不起严肃使用,Parakeet 干脆不支持中文;而且没有润色层、没有唤醒词、Mac 优先。Saymore 是中文场景 + Windows 优先 + 带润色 + 唤醒词免按键的对应物。
- 引擎:Qwen3-ASR 1.7B,GGUF 4bit 量化,跑在 llama.cpp 上,支持 Vulkan / 纯 CPU。
- 静音切句:默认 Silero VAD v5(2MB ONNX 小网),抗噪、抗远场、扛短停顿——键盘声/空调/风扇不误触,离麦一米也不切碎。灵敏度可调,找不到模型时自动回退 RMS 能量阈值。
- 术语纠正两层:
terms.txt一行一词,作为 context 喂 Qwen3-ASR 偏置。- 热词自学习:说"发送"时用 UIA 读输入框最终文本(含你手改过的),入
typed_history.jsonl,休眠时 LLM 切词累计词频(手改词加权 3 倍),高频自动写hotwords.txt一起偏置,越用越准。 - 屏幕上下文热词:抓前台窗口的 UIA 文本,LLM 挑术语当临时热词——聊什么就更认识什么。
- 与 ASR 共用 Qwen3-ASR-1.7B 基座 + 自训合一 LoRA,四种人格(保守 / 深度 / 邮件 / 00后)共用同一份 adapter,靠 system 提示词切换。
- 挂在同一个 llama.cpp 后端上,和 ASR 复用显存,不额外多起进程。
- LoRA 权重随仓库分发在
polish_lora/,克隆即用,不需要自己训练。
- 右下角小猫圆环:小猫眨眼、动耳朵、点头，代表不同的运行状态。右键弹菜单:主界面 / 退出。
- 文字暂存窗口:识别句先暂存到一个小窗口,说"发送"才整体回填,可以在发送前手动进行修改（双击进入修改）。
- 系统托盘:左键拉起主界面,右键同款菜单。
- 主界面:左侧四 tab(设置 / 热词 / 历史 / 导入)。
两种装法:方式 A 装安装包——普通用户走这个,双击一路 next;方式 B 从源码跑——想改代码/调参数/参与训练的走这个。
- Windows 10 / 11(x64)
- 显卡:任意支持 Vulkan 的 GPU(GTX 1650 4GB 起步够用);或纯 CPU(速度约慢 2 倍)
- 硬盘:约 2 GB(程序 ~400 MB + ASR 模型 ~1.5 GB)
1. 下载安装包
到本仓库 Releases 页,下最新的 Saymore-Setup-x.x.x.exe(约 200-400 MB)。
未签名的 PyInstaller 产物,Windows Defender / 360 可能报毒——右键"信任 / 允许"即可,或加白名单。这是 Python 打包的通病。
2. 双击安装
- 默认装到
%LocalAppData%\Saymore(免管理员权限) - 可勾选「桌面快捷方式」「开机自启」
- 装完选「立即启动」
3. 首次启动:下 ASR 模型
第一次跑会自动弹主界面的「运行环境」tab,里面能看到需要下的两个文件(Qwen3-ASR-1.7B-IQ4_NL.gguf ~1.15 GB + mmproj-Qwen3-ASR-1.7B-Q8_0.gguf ~340 MB)。点「一键下载」即可,程序会自动在 HuggingFace / ModelScope 之间选通的那个源,国内也不用挂梯子。下载完点「重启程序」,悬浮窗的小猫圆环变蓝就代表就绪。
其他资源(唤醒词模型、VAD、文本整理 LoRA、llama.cpp 推理引擎)都已经打包在安装里,不用再下。
4. 用
- 系统托盘出现小猫图标 = 后台待唤醒
- 把光标点进任意输入框(Claude Code / VS Code / 网页 / 微信 / Word...)
- 说唤醒词(默认
小咪,可在设置里改),小猫圆环亮起 - 正常说话,程序自动识别 + 按选定方式整理,在暂存窗口里显示
- 说 "发送" → 整理好的文本自动粘进当前输入框
- 也可以说 "回退" 删词、"清空" 清屏、"休眠" 下线
退出:悬浮窗右键「退出程序」,或托盘图标右键退出。
卸载:控制面板「应用」里卸,或运行 %LocalAppData%\Saymore\unins000.exe。会保留你的 config.json 和 terms.txt,删掉下载的模型和日志。
1. 装 Python 依赖
需要 Python 3.9+。
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt激活后提示符前会有 (.venv)。
PowerShell 报「禁止运行脚本」先跑一次:
Set-ExecutionPolicy -Scope CurrentUser RemoteSigned。
2. 下模型
仓库里已经自带:
- 文本整理 LoRA(
polish_lora/) - 唤醒词模型(
kws-model/) - VAD(
silero_vad.onnx) - llama.cpp 推理引擎(
llama-cpp/,Vulkan 版)
只有一件事要下——Qwen3-ASR 主模型(约 1.5 GB)。首次启动后从主界面「运行环境」tab 里一键下载即可,程序会自动在 HuggingFace / ModelScope 之间挑通的源,国内也不用手动挂镜像。下完点「重启程序」就位。
如果你偏要手动下,放到 models/Qwen3-ASR-1.7B-GGUF/ 下这两个文件:
Qwen3-ASR-1.7B-IQ4_NL.gguf(解码器,4bit NormalFloat4,与训练 QLoRA nf4 码本对齐)mmproj-Qwen3-ASR-1.7B-Q8_0.gguf(音频编码器)
来源:Qwen3-ASR-1.7B-GGUF (HF) 或对应 ModelScope 镜像。
3. 启动 / 停止
powershell -ExecutionPolicy Bypass -File start.ps1 # 起
powershell -ExecutionPolicy Bypass -File stop.ps1 # 停首次启动会自动打开主界面,后续常驻托盘。开机自启在「设置」里勾(写 HKCU Run 项)。
4. 打包成安装包
想自己打一份分发用的安装包见 BUILD.md。
5. 使用方式 同方式 A 第 4 步。
- **目前仅支持 Windows **，后续会陆续支持Mac / Linux 。
- 用了 Qwen3-ASR、sherpa-onnx、silero-vad、llama.cpp,许可证以各自项目为准。
- 本仓库代码采用 LICENSE 中的条款。