说出来的话不能直接用?SayIt先过一遍语言模型再落光标

流云 2026-11-01 1491 0条评论
摘要: 语音输入这件事,卡点往往不在识别,而在“说出来的东西没法直接用”。口头禅、改口、念错的专有名词,转成文字后还得手工清理一遍。SayIt这个2026年5月开源的Windows工具,想...

语音输入这件事,卡点往往不在识别,而在“说出来的东西没法直接用”。口头禅、改口、念错的专有名词,转成文字后还得手工清理一遍。SayIt这个2026年5月开源的Windows工具,想省的就是这一步:说出来的话先过一次语言模型整理,再以键入的方式落进当前光标。AGPL-3.0协议,客户端免费。

它把识别放在哪里做成了可选项。本地模式在这台电脑上完成识别,模型下载后断网也能用;云端接口模式把音频直接交给所选供应商,费用按供应商结算;服务器模式是安装后的默认项,连的是官方试用服务器,有额度限制。三种模式在设置里直接切。在AI工具导航的语音输入分类里,这种“识别位置可选”的设计,和讯飞、Windows语音输入那种依赖厂商云端的做法形成了明确区隔。

整理环节是它区别于普通听写的地方。识别完成后还有一次语言模型清理: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写,念错的专有名词按热词表纠正。清理强度由预设提示词决定,四套内置预设的完整提示词全部可见可改,也能从零新建并绑到快捷键上。更有意思的是按应用绑定规则——在VS Code里说需求和在微信里回消息,需要的文字风格不一样,切到不同应用时自动套用对应预设。这一步把“一个提示词通吃所有场景”的做法拆开了。

热词表管专有名词,这一点对技术用户很实用。项目名、框架名、同事姓名这类词是语音识别最容易错的地方,提前登记后识别阶段优先按登记形式输出,中英混写词不易被拆成谐音。对经常口述技术内容的用户,这比换更大的模型更直接。

本地模型有七款GGUF可选,包括Qwen3-ASR、SenseVoice、Fun-ASR、Nemotron、Parakeet等。中文场景官方建议先试Qwen3-ASR,英文优先Parakeet Unified EN,多语种看Nemotron 3.5 ASR。服务端也是开源的,Docker Compose一组命令拉起,参考配置是NVIDIA A10G 24GB跑Qwen3-ASR-1.7B与vLLM:30秒音频约0.8秒、5分钟约3.0秒。团队只填服务器地址就能用;服务端与识别模型都部署在内网时,音频与文本不出内网。

和同类工具比,差异集中在三处。识别跑在哪:SayIt三条路径自选,讯飞输入法与Windows语音输入依赖厂商云端,Chatterfly的识别架构公开资料未明确。提示词可改:只有SayIt开放完整预设编辑,另两家内置场景指令但完整编辑未明确。团队共用:只有SayIt提供自托管路径,讯飞背靠账号体系。对于关注AI办公软件推荐的团队,这意味着语音输入从“个人效率工具”变成了可以纳入内网管理的团队通道。

使用路径两条。Windows客户端装完按快捷键就能说,默认连公共试用服务器,说完再按一次结束,整理后的文字自动插入光标处。要省钱就切本地模式,按硬件挑一个模型下载;要云端精度就填自己的供应商密钥,录音直接发给该供应商,不经过SayIt服务器。自建服务器则克隆仓库进server目录,复制两份样例配置,执行docker compose up -d --build拉起服务,挂显卡与Qwen3-ASR模型,把地址发给同事。

几个坑提前说。切到云端接口模式后录音会直接发给所选供应商,团队使用前应先确认这条数据流向。服务器模式的音频不落在服务端,但转写结果存在本地,换机器需自行迁移。多人共用一台服务器时,服务端配置由部署者统一维护,客户端的预设与热词各自管理。本地模式下关闭AI整理时数据不出本机,开启AI整理则取决于所选语言模型位置——本机Ollama仍在本地处理,云端模型会把识别文本发给对应供应商。

适用人群上,它适合长期在Windows上写代码或写文档、每天输入量以千字计的人,也适合要给团队统一语音输入通道的技术负责人。主要在移动端输入、或只需要偶尔转写一段录音的用户,用现成的转写服务更省事。SayIt的价值不在于“又一个语音输入法”,而在于它把识别路径、清理规则和部署方式都做成了可选项——说出来的话不再是原始素材,而是经过整理、按场景适配、可以直接落进工作流的文字。语音输入正在从“听写工具”走向“输入通道”,SayIt是这条路线上的一个务实样本。


文章版权及转载声明:

作者:流云本文地址:https://sanwenge.com/post/1550.html发布于 2026-11-01
文章转载或复制请以超链接形式并注明出处三文阁