社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Git

登上GitHub趋势榜!7.6k Star语音转写桌面工具开源,支持本地模型

智猩猩AI • 2 月前 • 262 次点击  

智猩猩AI整理

编辑:金水


语音转文字这几年越来越成了日常标配。开会记纪要、写草稿、整理客户对话,张嘴就能变出文字,显著提升了输入效率,尤其惠及打字速度受限的用户。


据项目官网披露,语音输入速度可达键盘打字的约三倍(约 150 WPM 对 40 WPM),这也是此类工具获得广泛关注的直接动因。


WisprFlow、Granola 这类工具,按键开口就能把话说成字,用过的都懂那种省事。但它们的底色差不多:闭源、按月订阅,而且默认把语音送到云端,那就意味着你聊的每句话,基本都要过一遍别人的服务器。


对一些需要注意隐私的人群,或者单纯不想被年费绑死的小团队来说,这就有点别扭,数据出了门,钱包也出了门。


9 月初,GitHub 上有个项目叫 OpenWhispr,直接把自己写成它们的「开源免费替代品」。近期其登上 GitHub Trending,星标持续增长,现已收获7.6k star。


它用 MIT 协议放出整套代码,macOS、Windows、Linux 通吃。项目的README 里那句介绍很直白:按个热键、开口、字就落在光标处;转录要么完全在本地用 Whisper 或 NVIDIA Parakeet 跑,音频不出本机,要么接云端图快。


「不收集数据、没有遥测、完全开源」,这是它明摆着的卖点。



01

它到底是什么 


OpenWhispr 的核心能力是将桌面端的语音转换为文本、笔记与可执行动作。用户通过全局热键(默认 F4)触发语音输入,转写文本会自动粘贴至当前光标所在位置,兼容 ChatGPT、Claude、Cursor、Slack 及各类文档编辑器。


项目支持 100 余种语言(含中文)并具备自动语言检测能力,可覆盖跨语言听写与翻译场景。



该项目的关键设计在于本地与云端由用户自主选择。


在本地模式下,Whisper 或 NVIDIA Parakeet 模型于设备端运行,音频数据不离开本机;Whisper 支持 Metal、CUDA、Vulkan(覆盖 AMD 与 Intel 显卡)的 GPU 加速。


在云端模式下,项目采用 BYOK(Bring Your Own Key)机制,用户使用自有的 OpenAI、Anthropic 或 Gemini 等 API 密钥,平台不中转、不留存数据。


本地模型提供多档配置,用户可依据设备性能与精度需求选择:Whisper Tiny(75 MB,最快)、Whisper Base(142 MB,快速)、Whisper Small(466 MB,均衡)、Whisper Medium(1.5 GB,准确)与 Whisper Turbo(1.6 GB,最佳)。


除基础听写外,OpenWhispr 还集成了多项能力:听写翻译支持以 A 语言输入、输出 B 语言文本;AI 代理可对接 GPT-5、Claude、Gemini、Groq、Tinfoil、OpenRouter 或本地模型,并支持以唤醒式短语直接下达命令,例如说出「嘿 OpenWhispr,帮我整理一下这封邮件:我要告诉 Mike 会议改到周四下午三点,另外提醒他准备好幻灯片」,即可生成措辞得体的邮件草稿;



会议转录可自动识别 Zoom、Teams、FaceTime,并在本地完成说话人分离与声纹识别,同时对接 Google、Microsoft 或 Apple 日历;笔记模块提供文件夹、语义搜索、云同步与 AI 动作;



登录用户可免费创建团队空间并分享笔记,支持链接、域名与邀请三种可见性;音频导入支持文件拖拽、批量上传及 YouTube 链接转写,可选说话人检测;


企业版提供 SSO、SCIM 及集中管理的 Amazon Bedrock、Azure OpenAI 接入,无需下发密钥;开发者则可通过公开 API 与 MCP 将笔记和转录接入自有程序或 AI 助手。



技术栈方面,项目采用 React 19、TypeScript 与 Tailwind CSS v4 构建界面,桌面端基于 Electron 41,本地推理依赖 whisper.cpp 与 sherpa-onnx,存储使用 better-sqlite3。


基于 MIT 协议,个人与商业使用均免费。


需要说明,项目的README 中的「云端」包含两层含义:其一为前述 BYOK 模式,密钥与数据均由用户掌控;其二为官方托管的 OpenWhispr Cloud,该部分属闭源并收费。


因此「完全开源」应理解为客户端代码开源,托管云服务不在其列,评估时需留意这一边界。


此外,Intel 架构的 Mac 设备不支持实时说话人识别与声纹识别,原因是 ONNX Runtime 自 1.24 版本起停止发布 macOS x86_64 二进制文件。该限制不影响会议录制与转写,仅笔记搜索由语义搜索回退至关键词匹配。


02

怎么上手  


最简方式是从 Release 页面下载预编译安装包:macOS 提供 Apple Silicon 与 Intel 两版 .dmg,Windows 提供 .exe,Linux 提供 .AppImage、.deb、.rpm 与 .tar.gz,安装后即可使用。


若从源码构建,README 提供的命令如下:

git clone https://github.com/OpenWhispr/openwhispr.gitcd openwhisprnpm installnpm run dev

构建需 Node.js 24 及以上版本。


首次启动会提示选择默认模型(本地 Whisper 各档位或 Parakeet),模型在首次转录时自动下载。此后按住全局热键说话、松开,文本即插入光标处。关于默认热键,官方站点演示显示为 Ctrl+Space,而第三方测评记为 F4,两者均可在设置中自定义。


需要说明的是,本地模型首次下载经由 Hugging Face,在国内网络环境下建议配置镜像源以提升下载成功率,具体环境变量参见项目文档。


03

总结  


OpenWhispr 并非适用于所有用户。


其典型受益群体包括:频繁处理敏感内容、数据不可出境的用户;使用 Obsidian、Logseq 或 Apple Notes 进行本地笔记、需要将录音直接汇入笔记工具的用户;以及希望免订阅、同时获得「全局热键 + 默认本地 + 云端可选」组合能力的用户。


反之,不愿接触命令行与模型下载的纯新手,其开箱即用体验不及纯云端 SaaS;对说话人识别有强需求的 Intel Mac 用户会受到前述限制影响;中文重度用户应注意 Parakeet 对中文支持较弱,建议中文场景选用 Whisper 系列模型。

END


关注+星标,获取AI前沿进展与开源一线动态

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200830