MediaChef 语音输入
说话打字，而且什么都不离开这台电脑
在 Mac 的任何地方按下 右侧的 ⌥ 键，说一句话，再按一次——文字就直接打进光标所在的那个输入框：终端、聊天窗口、浏览器表单都一样。负责识别的就是 MediaChef 本来就带着的那个 Whisper，所以声音不会离开你的硬盘，也没人在数分钟。我们实测：一句五秒的话，780 毫秒就回来了。
- 状态
- 自 0.8.0 版起已发布，目前仅 macOS
- 在哪里跑
- 完全在你的电脑上，无需账号，不上传
- 速度
- 五秒的话从按键到文字 780 毫秒（实测）
- 多少钱
- 零。既无订阅，也不按分钟计费
- 平台
- 先 macOS，之后 Windows 和 Linux
- 一次性下载
- 一个语音模型，默认那个 488 MB
免费且开源—— 在 GitHub 上查看代码 全部文件与版本说明
语音输入怎么工作
-
开启一次
「听写」标签页里有一个开关和触发键可选：右 ⌥、右 ⌘，或两种组合键之一。你不开启，MediaChef 就完全不去注册任何全局快捷键：一个悄悄占走系统组合键的程序，就是一个会弄坏别的程序的程序。
-
在任何地方按快捷键
MediaChef 在后台、甚至窗口关着都能用。两种用法：按住键说话，或者按一次开始、再按一次结束——看这个念头有多长。
-
说话
麦克风只在你说的时候打开，所以菜单栏那个橙色圆点在你说完的一瞬间就灭了。两次按键之间，没有人在听。
-
文字出现在光标那里
直接打进当前输入框，不碰你的剪贴板。如果你偏好反过来、让它进剪贴板，那是旁边那个设置。
实际到底有多快
在一台 M5 笔记本上端到端实测：从松开按键到文字送达。第一行是活跃会话里的一次真实语音输入，其余是同一段十五秒的话分别过每个模型。
| 测的是什么 | 模型 | 耗时 |
|---|---|---|
| 真实的五秒句子，从按键到打出文字 | small | 780 毫秒 |
| 十五秒的句子 | tiny | 未单独测 |
| 十五秒的句子 | small | 0.66–0.75 秒 |
| 十五秒的句子 | large-v3-turbo | 1.64–1.97 秒 |
这些数字藏了两件事，两件都值得知道。麦克风要 56 毫秒才交出第一个采样，所以和按键同一瞬间开口的那个词有可能被切掉——实际上人都是按完键再说，谁也不会察觉。另外，授予麦克风权限之后的第一次语音输入会丢：系统那会儿花了约 1.8 秒在显示它自己的对话框。再按一次就好了。
该用哪个模型
和转写菜谱用的是同样四个模型——所以如果你已经在用 MediaChef 转写文件，模型就在你硬盘上，语音输入一点下载都不用。
| 模型 | 下载体积 | 性格 |
|---|---|---|
| tiny | 78 MB | 最快，粗——给自己记一条备忘够用 |
| base | 148 MB | 快，还行 |
| small——默认 | 488 MB | 平衡点，也正是菜谱已经在用的那个 |
| large-v3-turbo | 1.62 GB | 质量最好，等的时间约翻一倍 |
从 small 开始。它之所以是默认，理由是实际的而非技术的：它就是菜谱用的那个模型，所以对已有用户来说，语音输入不用下载任何东西就能跑起来。只有音频难办时才往上换 large-v3-turbo——口音重、房间吵、一句话里夹两种语言——并接受每句话大约翻倍的等待。
教它你的词
每个行当都有些词会被识别搅烂：产品名、行话、同事的姓。这份清单可以交给模型，它就不再瞎猜了。下面是同一段录音，一次没给词表，一次给了四十个术语的词表。
| 没有词表 | 给了词表 |
|---|---|
| 「медиашиф」 | MediaChef |
| 「ходкий」 | хоткей |
| 「виспер」 | whisper |
| 「распознаванию」 | распознавание |
代价是 0.04 秒：同一段素材上 0.87 对 0.83。上限约 224 个词元，也就是西里尔字母约 400 个字符，拉丁字母大约是三倍；MediaChef 替你数并且截断，因为 Whisper 自己会把过长的词表悄悄砍掉。这正是 macOS 内置语音输入做不到的：你没法教它你的词汇。
文字送到哪里
两个选择，而当你一小时说好几次的时候，这个差别比听起来重要得多。
| 设置 | 会发生什么 | 需要什么 |
|---|---|---|
| 直接输入 | 文字出现在当前输入框，你的剪贴板毫发无损 | 「辅助功能」权限，一次 |
| 剪贴板 | 文字被复制，你自己用 ⌘V 粘贴 | 除麦克风外什么都不需要 |
直接输入不动剪贴板，而这正是它值得优先的原因：如果每次语音输入都覆盖剪贴板，你就没法在工作时往那儿存一个链接。macOS 把往别的应用里打字算作合成输入，因此要「辅助功能」权限——第一次尝试会自己打开系统设置里对应的那一栏。而权限缺失时，文字仍然会进剪贴板：一次语音输入永远不会白说。
为什么在本机做才是关键
你的声音不会被上传。 人们口述的，恰恰是不会往网页表单里粘的东西：没想完的念头、客户名字、马上就要发出去的那句话。云端语音输入按定义就是这一切在别人服务器上的一份副本。
没有按分钟的计数器。 转写服务按音频分钟收钱，这会让人开口前先算账。这里模型只下载一次，当天第一百次语音输入和第一次花的钱一样多：零。
断网也能用。 在飞机上，在封闭的机器上，在无线网是全场最不靠谱那件东西的房间里。模型一旦落在硬盘上，语音输入就再不碰互联网。
它学你的词汇。 词表就是一份你自己词语的清单，而这是 macOS 内置语音输入唯一做不到的事。
开源，无订阅。 GPL-3.0，全部代码在 GitHub 上可读。这个领域的付费工具按月收钱，而底下用的是同一个开放模型。
什么时候帮不上
直说了，因为以后才发现比现在读到更糟。
-
你不用 Mac。
macOS 排在最前，因为它是在那儿做出来、也在那儿验过的。Windows 和 Linux 随后：识别引擎本来就是跨平台的，需要按平台单独做的是快捷键和文字的输入。
-
你要它边说边打。
文字在你说完后才进入输入框，而不是边说边逐词出现：这样整句一起识别，更准确。说话时，识别的草稿会显示在刘海下方的面板里——但最终输入的是一份干净的结果，而不是一连串的修改。
-
你要区分说话人。
它写的是说了什么，不是谁说的。两个人的访谈需要专门为此做的转写工具，而不是一个语音输入快捷键。
常见问题
我的声音会被送到什么地方吗？
不会。识别声音的是躺在你自己硬盘上的一个模型文件，声音随着它待过的临时目录一起被删掉。唯一经过网络的只有那一次性的模型下载；之后语音输入在完全断网的情况下也照跑。
有多快？
从松开按键到文字出现是 780 毫秒——在一台 M5 笔记本上、用默认模型、拿一句真实的五秒句子测的。十五秒的句子用了 0.66–0.75 秒。重量级的 large-v3-turbo 大约要翻一倍。
在任何应用里都能用吗？
能：快捷键是整个系统范围注册的，所以在终端、浏览器、聊天软件或编辑器里都会触发，而 MediaChef 本身可以在后台，甚至窗口关着。
用的是哪个组合键？
默认是右侧的 ⌥ 键——单独的修饰键：按住说话，或按一次开始、再按一次结束；同时按 Shift 会以 Enter 发送。单独的修饰键不会输入任何字符，也不与其他应用冲突。像 ⌥ Space 这样的组合在按住模式下、先松开 ⌥ 时会输入一个空格，因此被取消；⌃⌥ Space 和 ⌃⌥ D 保留作为备选。
为什么需要「辅助功能」权限？
有两个用处。一是监听触发键：单独的修饰键无法注册为普通快捷键，所以 MediaChef 自己监听键盘，而 macOS 只在授予「辅助功能」后才允许这样做。二是向其他应用的窗口输入文字，系统把这视为合成输入。一个权限同时涵盖两者，授予一次即可；之后重启应用。
要是我不给呢？
文字会进剪贴板，通知会告诉你原因，并且已经替你打开了系统设置里对应的那一栏。绝不会因为缺一个权限，就让说过的话白说。
占多少硬盘？
应用加一个语音模型：默认那个 488 MB，最小的 78 MB，最大的 1.62 GB。如果你本来就用 MediaChef 转写文件，模型已经在你硬盘上，语音输入不再多占。
它懂中文吗？两种语言混着说呢？
Whisper 支持 99 种语言，你可以指定自己的，也可以让它自己判断。一句话里混语言，恰恰是重量级模型值回它体积、也是词表帮助最大的场景。
一次能说多长？
五分钟，之后它自己停下，并且把听到的转写出来而不是丢掉。实际上人都是一句一句说，而不是长篇独白。
能说到一半取消吗？
录音时按 Escape 会把这一条扔掉，什么都不送出。它只在你说话期间被注册，所以在其他任何地方都不影响 Escape。
它能替代 macOS 自带的语音输入吗？
做的是同一件事，但有两点要紧的差别：这个可以教它你的词汇，而且声音留在你自己的机器上。如果这两点你都不在意，自带的本来就在那儿，也是免费的。
真的免费吗？
真的。MediaChef 是 GPL-3.0 下的开源软件，没有付费版也没有订阅——语音输入也一样。已发布的版本是 0.8.5，语音输入已包含在内。
为什么面板上显示的文字和最终打进去的不一样？
这是两次不同的识别。你说话时，面板显示的是草稿——由一个轻量模型每一秒半跑一次，才能跟上语速。真正打进输入框的，是主模型对整段录音的最终结果，并且用上了你的术语词典。两个模型都在「听写」标签页里选：把预览模型设成和主模型一样，差异就没有了，代价是面板会滞后。
为什么更新之后又要重新授权？
macOS 把权限绑定在应用的签名上，而不是名字上。MediaChef 没有 Apple 证书——我们不打算为它付费——所以每个版本的签名都不同，系统就把更新后的应用当成新应用。应用会自己移除过期的条目并重新请求：每次更新一个开关加一次「允许」。
系统设置里的开关是开着的，但听写不工作。
那说明列表里那一条属于应用的上一个副本——更新之后就是这样。把它关掉再打开并不会重新绑定，我们试过。MediaChef 会自己清掉那一条并触发系统询问：在列表里打开它，然后重启应用。
麦克风是好的，可录音是空的。
多半是耳机的问题：放在盒子里的 AirPods 仍处于连接状态，仍是默认输入，而 macOS 会从它那里输出一片零——对所有应用都一样，不只是我们。通知会说出静音来自哪个设备。戴上耳机，或者在「听写」标签页里明确选择麦克风。
可以指定某个麦克风吗？
可以，「听写」标签页里列出了所有输入设备。「与系统一致」指的是最近连接的耳机，而不是笔记本的麦克风——正因如此，明确指定更可靠。
按下触发键却什么都不说，会怎样？
什么都不会被输入。空录音连识别都到不了：Whisper 面对静音不会沉默，而是会编——俄语模型曾打出字幕组的署名。这类字幕署名会被识别出来并当作静音处理，你收到的是「没听到人声」。
为什么启动后第一次按键比较慢？
macOS 的音频子系统正在唤醒：每次启动后第一次打开麦克风最多要两秒。面板会立刻出现——在录音真正开始之前——所以请按住按键，直到它说正在听。之后再打开只需几十毫秒。
怎样用语音直接发出消息，不用自己按回车？
按触发键的同时按住 Shift：文字打进去后会自动按下回车。空的听写永远不会按回车——否则一言不发就会发出空消息，或者在终端里执行上一条命令。
按住触发键的同时按了别的键会怎样？
录音被取消，什么都不会输入。右 ⌥ 加一个字母是别的程序的快捷键，不是听写，程序就是这么理解的。
我口述的内容会写到硬盘上吗？
不会。录音存在临时文件夹里，随文件夹一起删除，而保存识别历史默认是关闭的。应用承诺你的内容不离开这台机器；把你口述的一切明文写到硬盘上，与这个承诺很不相称——人们会口述密码和私人对话的片段。
能在全屏应用之上工作吗？
可以。面板绘制在全屏窗口之上，并出现在所有桌面上——全屏的编辑器和终端，恰恰就是人们听写的地方。
触发键已经被别的应用占用了，怎么办？
「听写」标签页里还有右 ⌘——另一个 macOS 没有分配自身动作的单独修饰键——以及两个普通组合键 ⌃⌥ Space 和 ⌃⌥ D，以防两个修饰键都已被占用。
今天的 MediaChef
版本 0.8.5——免费、开源，macOS · Windows · Linux。语音输入已包含在内。
免费且开源—— 在 GitHub 上查看代码 全部文件与版本说明
MediaChef 还很年轻：安装包尚未由 Apple 或 Microsoft 签名，因此首次启动会要求确认——每个下载包里都附有纯文本说明。
有问题，或者少了什么？给我们写信： hello@mediachef.app