Voicely

Voicely

面向 macOS 的免费、开源、离线听写与转录工具——内置本地 MCP 服务，让 Claude Code、Codex 和 Cursor 拥有「耳朵」。

• 随处听写。 按下 Option+Space，开始说话，再按一次——文字就会出现在光标所在位置，包括终端和 VS Code。
• 通话与文件。 录制通话（系统音频 + 麦克风，无需虚拟音频设备）并获取区分说话者的转录文本；将任意音频或视频文件转换为文本。
• 原生支持 Agent。 voicely connect 会注册本地 MCP 服务，让 Agent 能转录文件，并读取通话和听写内容。
• 仅在设备端运行。 通过 CoreML 使用 NVIDIA Parakeet V3，支持 25 种语言。无需账户、云端服务或订阅。MIT 许可证。

curl -fsSL https://voicely.art/install.sh | sh
# or
brew install --cask stulkovld/voicely/voicely

适用于 Apple Silicon 上的 macOS 14 及更新版本。类似 Superwhisper、MacWhisper 或 Wispr Flow——但免费、采用 MIT 许可证、100% 在设备端运行，并且专为将文字交给 AI Agent 而打造。

永久免费

提供这类功能的工具通常需要按月订阅或一次性付费。Voicely 永久免费：采用 MIT 许可证，所有代码都在此仓库中。它由一个人在一间屋子里开发，而这个人每天都在使用它。如果它为你节省了时间，点个 ⭐ 就能帮助更多人发现它。

安装

只需一条命令。无需下载 DMG，也不用将任何内容拖进 Applications：

curl -fsSL https://voicely.art/install.sh | sh

也可以通过 Homebrew tap 安装：brew install --cask stulkovld/voicely/voicely。

脚本会下载当前版本，在私有暂存目录中验证其 SHA-256 和签名证书，然后以事务方式安装——新版本通过所有检查前，旧版本会保留为备份；任何步骤失败都会干净地回滚——最后启动应用。再次运行脚本会原地更新，并保留你的转录文本、模型和设置。

公开构建使用 Voicely 自有证书签名，而非 Apple Developer ID，且未经 Apple 公证。每个版本使用相同的证书，因此 macOS 会在更新时保留你的麦克风和辅助功能权限。如果旧版本留下了权限条目，安装程序会将其清除，Voicely 随后会自动再次请求权限。

首次启动

1. 在菜单栏中找到 Voicely 图标。
2. 授予麦克风权限，然后在打开的辅助功能列表中启用 Voicely。Voicely 会等待两项权限，并在权限齐备后自动继续。
3. 确认下载语音模型（Parakeet V3，约 470 MB）。首次准备约需一分钟，之后启动会很快。
4. 仅在首次使用录制通话时请求屏幕录制权限。

要求：Apple Silicon 上的 macOS 14 或更新版本。

传递，而非改写

Voicely 会将你说的话送到你的工作位置。它绝不会改写、总结或「润色」你的意思——每份转录文本都会保留逐字记录。

直接输入 — 听写，Option+Space

按下快捷键，说话，再按一次。说话时，浮动的玻璃质感药丸会显示实时波形。文本会出现在光标所在的位置：原生 Mac 字段通过辅助功能写入，并通过读取光标位置进行校验；Chrome、VS Code、Claude 及所有其他 Chromium 或 Electron 应用通过剪贴板和 ⌘V 写入——应用读取文本后会立即恢复你的剪贴板，并为转录文本添加标记，避免剪贴板管理器保留它；终端则通过键入文本写入。如果没有应用接收文本，文本会留在剪贴板中，药丸会显示“按下 ⌘V”。输出菜单可以将听写内容永久固定到剪贴板；安全字段始终仅保存。听写内容保存在 ~/Documents/Voicely/dictations/；每条内容的去向和写入方式会记录在 ~/Library/Logs/Voicely/insertion.jsonl 中，不包含文本内容。

谨慎封装 — 通话和文件

通话（菜单栏 → 录制通话）。Voicely 会录制系统音频（通过 ScreenCaptureKit，无需虚拟音频设备）和你的麦克风音频，将它们混合为一条音轨，对混音进行转录并统一进行说话人分离。回声不会让句子重复，同一个麦克风收录的多个人声也会被分离为不同声音。通过将分离出的声音与麦克风自身的活动进行匹配，来识别“你”。转录内容按说话人轮次呈现，并以 Markdown、逐词 JSONL 和 WAV 格式保存在 ~/Documents/Voicely/calls/<id>/ 中。

文件。 任何音频或视频文件都可以转为转录文本，并可选择进行说话人分离：在终端中运行 voicely transcribe <file>，或让 Agent 使用 transcribe_file 工具。结果保存在 ~/Documents/Voicely/files/ 中。

无论哪种方式，结果都是一键即可获取的文本。你可以自行交给 Agent——粘贴到 Claude Code 中，或将其保存为笔记——也可以让 Agent 通过下文的 MCP 读取。

让你的 AI 了解你所了解的内容

voicely CLI 和本地 MCP 服务让每项功能都可供 Agent 原生使用。安装应用后，将 CLI 添加到 PATH，并向你使用的 Agent 注册服务：

/Applications/Voicely.app/Contents/Helpers/voicely setup   # symlinks `voicely` into /usr/local/bin or ~/.local/bin, no sudo
voicely connect                                            # registers the MCP server with every installed harness
voicely connect claude                                     # or one by name: claude, codex, cursor, hermes, openclaw

Claude Desktop 和其他支持 MCPB 的客户端可以通过最新版本中的 voicely-<version>.mcpb 一键安装服务。Voicely 已作为 io.github.StulkovLD/voicely 收录在官方 MCP Registry 中。

通过以下技能，让 Agent 掌握完整的操作指南：

mkdir -p ~/.claude/skills/voicely && \
  curl -fsSL https://voicely.art/skill/SKILL.md -o ~/.claude/skills/voicely/SKILL.md

voicely mcp 使用标准 stdio MCP（JSON-RPC 2.0，完全离线），并提供四种工具：

工具	功能
transcribe_file	转写音频／视频文件（可选说话人分离）
list_transcripts	列出已保存的转写文本（口述内容／通话／文件），按时间从新到旧排序
get_transcript	按 ID 或别名（last、last-call、……）读取转写文本
get_last_call	读取最近一次通话的转写文本

voicely connect 使用各运行环境自带的 mcp add 命令，不会手动编辑自己不拥有的配置文件。之后重启 Agent 并向它提问：“转写 ~/Downloads/interview.m4a，并提取待办事项”、“看看我上次通话的内容，并拟一份项目计划”、“我刚才口述了什么？”。该技能涵盖从零开始的初始化、通过 yt-dlp 处理在线视频（YouTube / TikTok / Instagram），以及将词级时间戳与提取的画面配对来“观看”视频。所有数据都保留在本机。

手动配置——将 voicely mcp 注册为 stdio 服务。具体文件因运行环境而异；格式始终是 command: voicely、args: ["mcp"]：

运行环境	位置	方法
Claude Code	插件或 claude mcp add	claude mcp add voicely -- voicely mcp（或使用捆绑插件）
Codex	~/.codex/config.toml	[mcp_servers.voicely] command = "voicely" args = ["mcp"]
Cursor	用户设置	cursor --add-mcp '{"name":"voicely","command":"voicely","args":["mcp"]}'
Hermes	~/.hermes/config.yaml	hermes mcp add voicely --command voicely --args mcp
OpenClaw	openclaw.json	openclaw mcp set voicely --command voicely --args mcp
其他	相应的 MCP 配置	{"mcpServers":{"voicely":{"command":"voicely","args":["mcp"]}}}

无需守护进程：服务会在首次调用 transcribe_file 时自行加载语音模型。

从源代码构建

适用于 Apple Silicon 上的 macOS 14+，并需安装 Xcode Command Line Tools（xcode-select --install）：

git clone https://github.com/StulkovLD/Voicely.git
cd Voicely

swift build -c release --product Voicely
swift build -c release --product VoicelyCLI

.build/release/Voicely              # the menu-bar app
.build/release/VoicelyCLI setup     # exposes the `voicely` command

在 SPM 中，CLI 产品名是 VoicelyCLI，而不是 voicely：在不区分大小写的 APFS 上，名为 voicely 的产品会与应用二进制文件 Voicely 冲突。voicely 命令由 setup 创建，且创建位置不会发生此类冲突。

语音模型

Parakeet TDT 0.6B v3（NVIDIA，CC-BY-4.0）通过 FluidAudio 的 CoreML 移植版在设备上运行：磁盘占用约 470 MB，支持 25 种欧洲语言，包括英语和俄语——可在句子中途切换语言——原生添加标点，在 Apple Silicon 上的速度约为实时的 30 倍。说话人分离使用 FluidAudio 的 pyannote community-1 分段模型和 WeSpeaker 嵌入模型，同样在设备上运行。模型会在首次使用时下载；无需 Hugging Face 账号或令牌。

转写文本

所有内容都是纯文件，存放在 ~/Documents/Voicely/ 下，方便你、你的 Agent 和其他工具读取。

口述内容（dictations/）：

---
type: dictation
date: 2026-03-19T22:30:00+00:00
source_app: Telegram
---

Your transcribed text here.

通话（calls/<id>/transcript.md）：每个说话人轮次对应一个文本块；你自己的麦克风始终标记为 You。词级时间信息保存在旁边的 transcript.jsonl 中；音频则保存为 mix.wav（转写所用音频）以及原始的 mic.wav 和 system.wav。

---
type: call
date: 2026-08-19T18:02:11+03:00
source_app: zoom.us
duration: 12:40
speakers: You + 2
---

[00:08] You
Hey, how's the project going?

[00:11] Speaker 1
Almost done, pushing to prod tonight.

[00:17] Speaker 2
I'll review the PR after lunch.

架构

Option+Space ──> MicRecorder ──> Parakeet V3 (CoreML, on-device) ──> CursorInjector
                     │                                  AX insert (native) → ⌘V, clipboard restored → typed text
                     v                                                          │
               AudioOverlay                                                     v
            (liquid glass pill)                                          TranscriptStore
                                                                   (~/Documents/Voicely/…)

Record Call ──> mic + ScreenCaptureKit ──> mixdown ──> Parakeet V3 ──> FluidAudio diarization ──> speaker-turn markdown
                                          (one track)                 ("You" by mic activity)     + word-level JSONL + WAV

技术栈： Swift 6 + AppKit + FluidAudio（Parakeet TDT v3 CoreML + 说话人分离）+ ScreenCaptureKit（系统音频）。所有处理都在本地进行，不会有任何数据离开你的设备。

登录时自动启动

系统设置 → 通用 → 登录项 → + → 添加 Voicely.app。

致谢

• NVIDIA 提供的 Parakeet TDT 0.6B v3（CC-BY-4.0）——语音模型。
• FluidAudio（Apache-2.0）——Parakeet 的 CoreML 移植版和端侧说话人分离流水线。
• 说话人分离模型——pyannote 分割模型和 WeSpeaker 嵌入模型（CC-BY-4.0）。
• WhisperKit（MIT）——本项目早期使用的端侧推理库。

许可证

MIT