whisper-voice

Whisper Voice — 实时语音转文字 Mac 应用

目标

构建并运行一个原生 macOS 菜单栏应用，用于采集实时麦克风音频，通过 WhisperKit 在本地离线转录（适用于 Apple Silicon），并将文本自动输入到光标所在位置。

输入

名称	类型	必需	描述
model_size	string	否	Whisper 模型：tiny、base（默认）或 small
language	string	否	"en"（默认）或 "hi"（印地语模式）
chunk_duration	float	否	每个音频块的秒数（默认：3.0）

处理流程

1. 构建应用

cd AiwithDhruv_Voice/WhisperAiwithDhruv
swift build

2. 运行应用

swift run WhisperAiwithDhruv
# Or open in Xcode: open Package.swift → Cmd+R

3. 首次启动设置

1. 在出现提示时授予麦克风权限
2. 在“系统设置”→“隐私与安全性”→“辅助功能”中授予辅助功能权限
3. 等待模型下载（base 模型约 140MB）

4. 使用方法

• Cmd+Shift+Space — 开始或停止录音
• 点击菜单栏中的麦克风图标以打开控制选项
• 开始说话 — 文本会自动输入到光标所在位置
• 切换印地语模式以输入印地语或印地语与英语混合内容

输出

名称	类型	描述
transcribed_text	string	实时转录并输入到光标所在位置的文本
history	array	菜单栏中最近的 50 条转录记录

边缘情况

• 没有麦克风：在菜单栏下拉菜单中显示错误
• 辅助功能权限被拒绝：禁用自动输入，可从历史记录中手动复制
• 静音：VAD 会跳过静音片段（基于能量的阈值）
• 幻觉：过滤常见的 Whisper 伪输出（"Thank you."、"..."）
• 模型尚未下载：显示下载进度条

环境

• macOS 14+（Sonoma）
• Apple Silicon（M1/M2/M3/M4）
• Xcode 15+（用于构建）
• 无需 API 密钥（完全离线）

架构

输入

名称	类型	必需	描述
model_size	string	否	tiny / base / small
language	string	否	en / hi
chunk_duration	float	否	2.0 - 8.0 秒
silence_threshold	float	否	0.002 - 0.05

输出

名称	类型	描述
transcription	string	实时文本输出
auto_typed	boolean	是否已将文本输入到光标所在位置

凭据

名称	来源
无	完全离线，无需 API 密钥

可组合使用

video-edit（添加转录字幕）、send-telegram（将转录内容发送到手机）

费用

免费 — 完全在设备上运行。模型仅需下载一次（base 模型约 140MB）。