Windows 智能语音输入法 — 单按热键说话，再按停止识别，文字自动注入到任意应用。
https://www.bilibili.com/video/BV1DUGR63E91/?vd_source=778dabe0d4d393576050e453840f59a8
- 单按切换录音：全局热键（默认
Ctrl+Alt+V），按一次开始录音，再按一次停止并注入文本 - 在线/离线双模式：在线接入讯飞/阿里/豆包/MiniMax API，离线使用本地 sherpa-onnx SenseVoice 模型
- 自动降级：网络异常时自动切换到离线识别
- 两级文本后处理：FlashText 词典校正（内置常用词库，<1ms）+ AI 润色（可选，支持 OpenAI / 豆包 / 兼容 API）
- 系统托盘：最小化到托盘，右键菜单快速访问设置和退出
- 多音频设备：支持选择任意输入设备
- 悬浮窗口：半透明毛玻璃 UI，不抢焦点，不打断当前工作
| 模块 | 技术 |
|---|---|
| UI 框架 | PySide6 (Qt) — 悬浮毛玻璃窗口 |
| 音频采集 | sounddevice — 16kHz 单声道 |
| 在线 ASR | 讯飞 / 阿里云 NLS / 豆包 / MiniMax WebSocket |
| 离线 ASR | sherpa-onnx + SenseVoice INT8 模型 |
| 词典校正 | FlashText — O(N) 关键词替换，内置常用词库 |
| AI 润色 | OpenAI / 豆包 / 兼容 API (DeepSeek, 通义千问 等) |
| 文本注入 | Win32 API (剪贴板 + 模拟 Ctrl+V) |
| 快捷键 | keyboard 库全局钩子 |
| 系统托盘 | pystray + PIL |
guyuInput/
├── main.py # 入口，连线 API ↔ UI
├── backend/
│ ├── app.py # API 核心，Qt 信号通信
│ ├── audio.py # 音频采集 (sounddevice)
│ ├── hotkey.py # 全局快捷键管理
│ ├── input.py # 文本注入 (Win32)
│ ├── tray.py # 系统托盘 (pystray)
│ ├── config.py # SQLite 配置管理
│ ├── logger.py # 日志初始化
│ ├── asr/
│ │ ├── base.py # ASR 引擎抽象接口
│ │ ├── dispatcher.py # 在线/离线调度器 + 自动降级
│ │ ├── sherpa_onnx_engine.py # 离线引擎 (sherpa-onnx)
│ │ ├── xunfei.py # 讯飞实时语音转写
│ │ ├── ali.py # 阿里云 NLS
│ │ ├── doubao.py # 豆包语音识别
│ │ └── minimax.py # MiniMax ASR
│ ├── dictionary/
│ │ ├── corrector.py # FlashText 词典校正引擎
│ │ └── zh_dict.json # 内置中文常用词库
│ └── polish/
│ ├── base.py # 润色器抽象接口 + 模式枚举
│ ├── dispatcher.py # 润色调度（失败降级返回原文）
│ ├── openai.py # OpenAI / 兼容 API 润色
│ ├── doubao.py # 豆包 (火山引擎 ark) 润色
│ └── prompts.py # 润色 Prompt 模板
├── ui/
│ ├── main_window.py # 主窗口控制器 + 视图切换
│ ├── idle_widget.py # 空闲态：圆形麦克风图标
│ ├── recording_widget.py # 录音态：文字回显 + 取消/确认
│ ├── error_widget.py # 错误提示条
│ ├── guide_page.py # 首次引导页
│ ├── settings_page.py # 设置页 (API 凭证/设备/快捷键/润色)
│ └── icons.py # 矢量图标绘制
└── models/ # 离线模型（需单独下载）
├── model.int8.onnx # SenseVoice INT8 (~239MB)
└── tokens.txt # 词表
- Windows 10/11 x64
- Python 3.12+
- pip
pip install -r requirements.txt不使用离线识别可跳过。模型文件约 240MB：
mkdir models
# 从 Hugging Face 镜像下载
curl -L "https://hf-mirror.com/csukuangfj/sherpa-onnx-sense-voice-zh-en-ja-ko-yue-2024-07-17/resolve/main/model.int8.onnx" -o models/model.int8.onnx
curl -L "https://hf-mirror.com/csukuangfj/sherpa-onnx-sense-voice-zh-en-ja-ko-yue-2024-07-17/resolve/main/tokens.txt" -o models/tokens.txtpython main.py首次运行会弹出引导页，可选择配置在线 API 凭证或直接使用离线模式。
| 操作 | 方式 |
|---|---|
| 开始/停止录音 | 按 Ctrl+Alt+V 切换（可在设置中修改） |
| 取消录音 | 录音中点击录音条左侧 ✕ |
| 确认注入 | 录音中点击录音条右侧 ✓（或再次按热键即自动注入） |
| 隐藏到托盘 | 点击麦克风图标右上角 ✕ |
| 显示窗口 | 系统托盘左键 / 双击托盘图标 |
| 打开设置 | 系统托盘右键 → 设置 |
| 退出程序 | 系统托盘右键 → 退出 |
- 自动（默认）：优先在线，网络异常自动切离线
- 仅在线：只使用指定供应商 API
- 仅离线：始终使用本地 sherpa-onnx 模型
| 供应商 | 需要配置的凭证 |
|---|---|
| 讯飞 | App ID + API Key + API Secret |
| 阿里云 | AccessKey ID + Secret + App Key |
| 豆包 | App ID + Access Token |
| MiniMax | API Key + Group ID |
凭证保存在本地 SQLite 数据库 (config.db)。
默认 Ctrl+Alt+V，支持任意组合键（如 ctrl+shift+a、alt+r）。
识别结果经两级处理：
- 词典校正（默认开启）：基于 FlashText 算法的快速关键词替换，内置常用技术词汇、品牌名、人名的中英文对照词库，耗时 < 1ms。
- AI 润色（默认关闭）：调用 LLM 对识别结果进行标点修复、口语去噪或深度改写，支持三种力度：
- 仅标点：去除口头禅，修正标点符号
- 适度润色：优化表达流畅度，保持原意
- 深度润色：重新组织语言结构
润色支持 OpenAI、豆包 (火山引擎)、DeepSeek、通义千问等兼容 API。
# 安装开发依赖
pip install -r requirements.txt
# 仅在线模式（无需下载模型）
python main.py
# 验证离线引擎
python -c "
from backend.asr import SherpaOnnxEngine
import numpy as np
e = SherpaOnnxEngine()
e.start(on_result=lambda r: print(r.text))
e.feed_audio(np.zeros(16000, dtype=np.float32))
e.stop()
"本项目使用了以下开源项目，按其各自许可证分发：
| 项目 | 用途 | 许可证 | 链接 |
|---|---|---|---|
| sherpa-onnx | 离线语音识别引擎 | Apache 2.0 | https://github.com/k2-fsa/sherpa-onnx |
| SenseVoice | 离线 ASR 模型 | Apache 2.0 | https://github.com/FunAudioLLM/SenseVoice |
| PySide6 | Qt UI 框架 | LGPL 3.0 | https://www.qt.io |
| sounddevice | 音频采集 | MIT | https://github.com/spatialaudio/python-sounddevice |
| keyboard | 全局快捷键 | MIT | https://github.com/boppreh/keyboard |
| pystray | 系统托盘 | LGPL 3.0 | https://github.com/moses-palmer/pystray |
| silero-vad | 语音活动检测 | MIT | https://github.com/snakers4/silero-vad |
本项目原创部分包括：
- 产品设计、交互逻辑与 UI 实现（ui/ 目录下所有组件）
- 多供应商 ASR 调度器与自动降级策略（backend/asr/dispatcher.py）
- 各在线 ASR 供应商的 WebSocket 客户端实现（backend/asr/ 下 xunfei / ali / doubao / minimax）
- Win32 文本注入模块（backend/input.py）
- 音频采集封装与音量检测（backend/audio.py）
- 全局快捷键管理与注入抑制（backend/hotkey.py）
- Qt 窗口管理、视图切换与拖拽支持（ui/main_window.py）
- SQLite 配置管理（backend/config.py）