SayIt:开源语音输入,本地识别不上传,说完直接粘贴到光标处

摘要

SayIt 是开源的语音输入工具,按下快捷键说完话,口语会被理顺再敲进光标位置,识别可留在本机跑,Windows 与 macOS 都有客户端,界面支持中英双语。

推荐
软件名称
SayIt
版本
0.2.5
收费
免费
开源
开源
操作系统
WindowsmacOS
更新时间
2026-11-21 23:00
一句话说清:SayIt 是一款开源的语音输入工具,按一下快捷键把话说完,它先把口语理顺再插到光标处,识别可以留在本机跑,Windows 与 macOS 都有客户端。

写提示词、写提交说明、回消息,这些活儿的瓶颈往往不在想,而在打字。SayIt 换了个输入通道:按住或按一下快捷键说话,说完之后文字直接出现在当前光标的位置,不用切窗口,也不用复制粘贴。项目从 2026 年 5 月起开源,最新版 0.2.5 发布于 11 月 9 日,客户端用 Tauri 加 React 写,识别内核是 Rust。

SayIt 首页界面
首页给出听写统计、当前生效的快捷键,以及一个带着上次转写内容的反馈框。

按一下说话,文字落到光标处

默认快捷键是空格键右边那个右 Alt:按一次开始,再按一次结束,整理好的句子就敲进当前输入框。也可以另设一个「按住说话」的键,松手即结束,两种手感各自独立。Mac 上的默认值是右 Command 与右 Option。因为最终产物是「敲进光标」,终端、编辑器、浏览器、聊天窗口都能用,不需要对方支持什么接口。

说话的时候屏幕角落有个小悬浮窗,显示波形和已录时长,可以打开实时字幕边看边说。样式上有三套主题、几种波形可选,窗口宽度也能调,界面跟随系统语言在中英之间切换。

转完还要过一遍语言模型

语音识别本身只解决「听清楚」,SayIt 多做了一步清理:口头的「嗯」「就是说」会被去掉,说到一半改口会按改口后的意思落笔,念错的专有名词按热词表纠正。官网给的例子很直观——口述「十点,不对,改成明天十一点」,最后打出来的是「明天 11 点」。

SayIt AI 清理设置页
AI 清理页:内置预设的提示词全部可见可改,也能按应用挂规则。

清理强度由提示词决定,几套内置预设都是明文摆在那里的,可以照着改,也能从零写一套绑到快捷键上。项目名、框架名、同事姓名这类最容易听错的词,提前录进热词表,识别阶段就会优先按登记的形式输出,中英混写的词不容易被拆成谐音。另有一项上下文感知,默认是关的:打开后它会读光标附近的文字,让新听写的内容贴近原有语气与术语;选中一段文字再说话,说的话就变成编辑指令,直接替换选中的部分;密码框会被跳过。

三种跑法:本机、云接口、自建服务器

识别放在哪里跑,是 SayIt 留给用户自己选的第一件事。本地模式下识别在这台电脑上完成,把 AI 清理也关掉时,音频与文字都不离开设备,断网可用。云接口模式下客户端直连你自己配置的服务商,中间不经过 SayIt 的服务器。服务器模式面向团队,音频交给一个你可控的后端处理,也可以先用官方试用服务器试试手感。

SayIt 语音引擎设置页
语音引擎页:本地、云接口、服务器三张卡片下面是模型列表,检测到显卡会自动启用。

本地识别自带七个 GGUF 模型,覆盖纯英文、中英混说到三十多种语言的不同取舍,机器上有显卡时会自动用上,没有也能靠 CPU 跑。云端那条路支持任何兼容 OpenAI 协议的地址,填自己的密钥即可。团队自建的话,后端是 FastAPI 加 WebSocket 流式识别,配 Docker Compose 起一套,GPU 推理需要 NVIDIA 显卡,官方建议十六 GB 以上显存。

按应用分规则,历史留在本机

同一套清理规则套在所有软件上,效果往往别扭:在编辑器里说需求要的是结构清楚的条目,在聊天窗里回话要的是短句。SayIt 允许把预设绑到具体应用上,切到那个应用时自动换一套,也可以临时改。听写记录存在本地,列表能搜,展开能看到原始转写、用的模型、音频长度和识别耗时,还能拿原录音重新转一遍。

SayIt 历史记录页
历史页可搜索,展开一条能看到原始转写、耗时与播放控件,也能重新转写。

许可、门槛与边界

SayIt 以 AGPL-3.0 开源,前后端代码都在仓库里,当前约五百颗星标。这份许可允许使用、修改与自托管,但如果分发修改版或把它当网络服务对外提供,对应源码要继续以同一许可公开。客户端安装包只出 Windows 10 与 11 的 x64 版,以及 Apple 芯片、macOS 14 以上的 Mac 版。Mac 客户端已签名但没做公证,首次打开需要在系统设置的隐私与安全里手动放行,并给它辅助功能权限,快捷键、粘贴和读取光标附近文字都依赖这项授权。

性能方面官方给了一组服务器模式的参考值:Qwen3-ASR-1.7B 配 vLLM 跑在 24GB 显存的卡上,三十秒音频约 0.8 秒出结果,五分钟音频约 3 秒,实时率 0.010。这组数字只说明自建后端能撑住流式听写,本机模式的实际速度取决于你选的模型和机器。

一句话收尾:它把「说话」当成一种输入法来对待——识别在哪儿跑由你定,文字怎么收拾由你改,最后落笔的位置还是那个光标。
SayIt下载地址
支持的操作系统: Windows macOS