说话的语速大概是打字的三倍。Handy 想做的事只有一件：让你把说的话，直接变成光标所在的那个输入框里的文字。

这是一款免费、开源的桌面语音转文字工具，完全在本机运行。2026 年 11 月 2 日，它更新到 0.10.0，作者在发布说明里写得很直白：这个版本之后大致算是功能完备了，接下来主要修问题、稳稳定性，不再堆新功能。对一个已经能天天用的工具来说，这句话其实比任何功能清单都值得看。

0.10.0 补上了三块

第一块是音频文件转写。此前它主打的是实时口述，你对着麦克风说，它把话变成字。现在可以把已经录好的音频文件丢进去转，转写结果还会进历史记录。第二块是自动语言检测，覆盖了它支持的全部转写模型，不用每次手动指定语言。第三块偏体验：全新的引导流程，加上界面重设计的起步。

改动清单里还有些不那么显眼但更影响手感的东西。转写后端被隔离到独立的 worker 进程里，长音频按语音活动分段处理；自定义词现在通过转写引擎的词表接口传入，专有名词、人名、术语的识别会稳一些；自定义后处理服务支持了新的消息格式；还修掉了粘贴时阻塞主线程的问题。这些加起来，才是"接近完工"这四个字的实际重量。

用起来是什么手感

它的交互设计得很克制：把光标放到任何能输入的文本框里，按一下快捷键开始说话，再按一下停止，或者按住说话、松开即停。默认组合是 Ctrl 加空格，另有一个带后处理的组合 Ctrl 加 Shift 加空格，用 Esc 取消。说完之后，文字不是先弹出一个窗口让你复制，而是直接粘贴进当前获得焦点的应用里，比如浏览器、编辑器、聊天框。

转写之前会先过一遍语音活动检测，把静音段滤掉，只把有效语音交给模型。这个细节决定了它的可用性：说话时停顿、思考、喝水，不会被塞进一堆空白。整个链路走的是本机推理，据项目方与隐私政策的说明，普通转写不会把音频或文字发给维护者，网络只在检查更新、下载模型和可选后处理时才会用到。

模型这道选择题

本地模型才是它真正的分量所在。文档里长期推荐的两条路线是 Whisper 与 Parakeet：前者分 Small、Medium、Turbo、Large 几档，语言覆盖广，有显卡时能加速，代价是体积，从几百兆到一点六吉不等；后者专门为 CPU 优化，跑起来快，还带自动语言检测，适合没有独显的机器。0.10.0 起模型目录改由独立的模型包统一提供，选择器里能看到的就不止这两条线了，面向中文与日语的模型也在列表上，界面上直接标出各语言的表现档位、速度与体积，甚至写明"本地已有"还是需要下载。

所以选模型这件事现在更像看菜单：先看语言栏里你常说的那门语言排第几档，再看体积和速度能不能接受，最后才动手。对只有一台普通笔记本的人来说，体积小、速度标得高的那一项通常是更实际的起点。

技术底子是 Tauri：设置界面用 React 加 TypeScript，系统集成、音频处理和推理都在 Rust 那一侧。项目采用 MIT 许可证，仓库 2025 年 2 月建起来，由开发者 CJ Pais 和社区一起维护。作者在说明里写过一句挺有意思的话，大意是它不追求做最强的听写工具，而是做最容易被 fork 的那一个。这种定位决定了它的代码结构不会太绕，想改点什么的人不至于一进门就迷路。

不太顺的地方也该说

Linux 上的 Wayland 支持一直是它的软肋，往输入框里写字要靠外部工具配合，仓库文档里也写明了这一点。粘贴这条路径偶尔会带上旧的剪贴板内容，所谓"可靠粘贴"目前还挂着实验性的标签。macOS 上那两个功能键快捷键只对苹果键盘有效。另外模型体积不小，硬盘紧张的人得先腾点地方。

还有一点心理预期要放平：本地推理的速度取决于你的机器，不是点一下就出字。它适合短句、适合把想法快速倾倒出来、适合手不方便长时间敲键盘的场景；如果你要的是一次性转写几个小时的会议录音并且要求逐字精准，那还得自己校对一遍。

Handy 的价值不在于识别率有多高，而在于它把"语音转文字"这件事从云端服务变成了本机上的一个小工具：不注册、不订阅、录音不出门，代价只是你得有一台跑得动模型的电脑。