CapsWriter-Offline 最好用的 PC 端语音输入和日记工具（离线识别）

CapsWriter-Offline

这 CapsWriter-Offline ，一个 PC 端的语音输入工具。

运行后，只要按下键盘上的 大写锁定键，就会开始录音，当你松开 大写锁定键 时，就会识别你的录音，并将识别结果立刻输入。

视频教程：CapsWriter-Offline 电脑端离线语音输入工具

特性

完全离线、低延迟、高准确率、中英混输、自动阿拉伯数字、自动调整中英间隔
热词功能：可以在 hot-en.txt hot-zh.txt hot-rule.txt 中添加三种热词，客户端动态载入
日记功能：默认每次录音识别后，识别结果记录在 年份/月份/日期.md ，录音文件保存在 年份/月份/assets
关键词日记：识别结果若以关键词开头，会被额外记录在 年份/月份/日期-关键词.md，关键词在 keywords.txt 中定义
服务端、客户端分离，可以让一台主机为局域网内的电脑提供识别服务
用文本编辑器打开 core_client.py ，可以编辑服务端地址、快捷键、录音开关……

懒人包

对于 Windows10 64 位用户，我打包了 exe 版本，可以从百度网盘或者 GitHub Releases 界面下载。

对于 MacOS ARM 用户，我也做了打包版本，可以从百度网盘或者 GitHub Releases 界面下载。（由于系统限制，客户端需要 sudo 启动，且默认快捷键为 right shift）

由于模型文件太大，为了方便更新，打包版本中没有包含模型文件，所以需要分别手动下载软件和模型，模型文件也放在了百度网盘和 GitHub Releases 界面里边。

打包版本里有一个 models 文件夹，请把模型文件解压后放到 models 里，之后双击 exe，分别打开 Server 和 Client 即可使用。

下载地址：

百度盘: https://pan.baidu.com/s/1zNHstoWZDJVynCBz2yS9vg 提取码: eu4c
GitHub Release: Releases · HaujetZhao/CapsWriter-Offline

模型打包后大小约 1.4G，下载要花些时间。

（百度网盘容易掉链接，补链接太麻烦了，我不一定会补链接。GitHub Releases 界面下载是最可靠的。）

其它系统，可以下载模型、安装依赖后从 Python 源码运行。

功能：热词

如果你有专用名词需要替换，可以加入热词文件。规则文件中以 # 开头的行以及空行会被忽略，可以用作注释。

中文热词请写到 hot-zh.txt 文件，每行一个，替换依据为拼音，实测每 1 万条热词约引入 3ms 延迟
英文热词请写到 hot-en.txt 文件，每行一个，替换依据为字母拼写
自定义规则热词请写到 hot-rule.txt 文件，每行一个，将搜索和替换词以等号隔开，如 毫安时 = mAh

你可以在 core_client.py 文件中配置是否匹配中文多音字，是否严格匹配拼音声调。

检测到修改后，客户端会动态载入热词，效果示例：

例如 hot-zh.txt 有热词「我家鸽鸽」，则所有识别结果中的「我家哥哥」都会被替换成「我家鸽鸽」
例如 hot-en.txt 有热词「ChatGPT」，则所有识别结果中的「chat gpt」都会被替换成「ChatGPT」
例如 hot-rule.txt 有热词「毫安时 = mAh」，则所有识别结果中的「毫安时」都会被替换成「mAh」

功能：日记、关键词

默认每次语音识别结束后，会以年、月为分类，保存录音文件和识别结果：

录音文件存放在「年/月/assets」文件夹下
识别结果存放在「年/月/日.md」Markdown 文件中

例如今天是 2023 年 6 月 5 号，示例：

语音输入任一句话后，录音就会被保存到 2023/06/assets 路径下，以时间和识别结果命名，并将识别结果保存到 2023/06/05.md 文件中，方便我日后查阅
例如我在 keywords.txt 中定义了关键词「健康」，用于随时记录自己的身体状况，吃完饭后我可以按住 CapsLock 说「健康今天中午吃了大米炒饭」，由于识别结果以「健康」关键词开头，这条识别记录就会被保存到 2023/06/05-健康.md 中
例如我在 keywords.txt 中定义了关键词「重要」，用于随时记录突然的灵感，有想法时我就可以按住 CapsLock 说「重要，xx 问题可以用 xxxx 方法解决」，由于识别结果以「重要」关键词开头，这条识别记录就会被保存到 2023/06/05-重要.md 中

记日记，最极致的体验就是无感记录，无需打开软件界面，说一句话，就能立刻把时间和想法记录下来，这是最接近无感记录的。

注意事项

目前使用的模型是 Paraformer 非流式模型，即录完再转，因此录音时间越长，上屏延迟越大。主流性能的 Windows 笔记本，RTF 大约 0.06，即大约每 10s 录音需 0.6s 转录时长。
当用户安装了 FFmpeg 时，会以 mp3 格式保存录音；当用户没有装 FFmpeg 时，会以 wav 格式保存录音
默认的快捷键是 caps lock，你可以打开 core_client.py 进行修改
MacOS 无法监测到 caps lock 按键，可改为 right shift 按键

修改配置

你可以打开 core_server.py ，在开头部分有注释，指导你修改服务端的端口，默认是 6006

你可以打开 core_client.py ，在开头部分有注释，指导你修改客户端的：

连接的地址和端口，默认是 127.0.0.1 和 6006
键盘快捷键
是否要保存录音文件
要移除识别结果末尾的哪些标点，（如果你想把问号也删除掉，可以在这边加上）

下载模型

本工具服务端使用了 sherpa-onnx ，载入阿里巴巴开源的 Paraformer 模型（转为 onnx 格式），来作语音识别，整个模型约 1GB 大小。下载有已转换好的模型文件：

csukuangfj/sherpa-onnx-paraformer-zh-2023-03-28 at main (huggingface.co)

另外，还使用了阿里巴巴的标点符号模型（转为了 onnx 格式）：

CT-Transformer 标点-中文-通用-pytorch

模型文件太大，并没有包含在 GitHub 库里面，你可以从百度网盘或者 GitHub Releases 界面下载已经转换好的模型文件，解压后，放入 models 文件夹。

模型打包下载：models-Paraformer-and-Punctuation-X86.zip （包含了 onnx 格式的 Paraformer 语音模型和 Punctuation 标点模型）

源码安装依赖

Windows 端

pip install -r requirements-server.txt
pip install -r requirements-client.txt

有些依赖在 3.11 还暂时不无法安装，建议使用 python 3.10

Mac 端

在 Arm 芯片的 MacOS 电脑上（如 MacBook M1）无法使用 pip 安装 sherpa_onnx ，需要手动从源代码安装：

git clone https://github.com/k2-fsa/sherpa-onnx
cd sherpa-onnx
python3 setup.py install

在 MacOS 上，安装 funasr_onnx 依赖的时候可能会报错，缺失 protobuf compiler，可以通过 brew install protobuf 解决。

源码运行

运行 core_server.py 脚本，会载入 Paraformer 模型识别模型（这会占用 1GB 的内存，载入时长约十几秒）
运行 core_client.py 脚本，它会打开系统默认麦克风，开始监听按键（MacOS 端需要 sudo）
按住 CapsLock 键，录音开始，松开 CapsLock 键，录音结束，识别结果立马被输入（录音时长短于 0.3 秒不算）

MacOS 端注意事项：

MacOS 上监听 CapsLock 键可能会出错，需要快捷键修改为其他按键，如 right shift

CapsWriter-Offline 最好用的 PC 端语音输入和日记工具（离线识别）