
ChineseASR · 功能说明
用一个小面板控制开始、暂停和取消,说出的话变成我此刻所在输入框里的文字;中途换了窗口,后面的字就跟着去新位置。单 Qwen 识别,不等待文件复核的第二套模型。
当前情况:听写已安装并在运行(11 月 4 日核对:登录任务运行中,快捷键和开始菜单入口都在),文字跟随当前输入位置的修复已在 10 月 2 日加入;个人麦克风、口音和文字上屏体验没有重新测试。
项目技术事实核对于 2026-11-04(北京时间),按当时的 main(4598696)只读核对;具体测试保留各自日期,页面不实时探测运行状态。
项目源码:公开仓库


ChineseASR · 功能说明
用一个小面板控制开始、暂停和取消,说出的话变成我此刻所在输入框里的文字;中途换了窗口,后面的字就跟着去新位置。单 Qwen 识别,不等待文件复核的第二套模型。
当前情况:听写已安装并在运行(11 月 4 日核对:登录任务运行中,快捷键和开始菜单入口都在),文字跟随当前输入位置的修复已在 10 月 2 日加入;个人麦克风、口音和文字上屏体验没有重新测试。
项目技术事实核对于 2026-11-04(北京时间),按当时的 main(4598696)只读核对;具体测试保留各自日期,页面不实时探测运行状态。
项目源码:公开仓库


用途与实际影响
说话打字最怕三件事:换了个窗口,后面的字却还往旧窗口塞,或者干脆停住;麦克风被悄悄换掉;点了收起却仍在录音。这个入口把显示、采音、识别和输入落点分开:字永远打进我当下所在的位置,我能随时暂停和取消;它不为追求顺口而自动润色或回车发送。
“这段邮件我想口述,识别好先放进编辑框,不要发送。”我在编辑框里按 Win+H 开始说,文字一段段打进去;说到一半切去聊天窗口回了一句,接下来的字就打进聊天框,不会把我拽回邮件窗口。全部说完我自己检查,再决定发送。
得到打进当前输入位置的文字和面板状态;最近一段完整文字留在内存里,随时可以复制。取消只丢弃尚未输入的片段,不能撤销已经输入的字。
录音按钮变绿表示正在采音;每段识别完,先重新看一眼我现在所在的窗口和输入框,再把整句打进去。切换应用或输入框不会暂停录音、不收起小窗,也不报错。我控制下一段、暂停和最后发送。
一时没有能打字的地方(焦点落在小窗自己身上,或快捷键还没松开)时,小窗显示中性的“等待输入位置”:点回输入框就接着打,这段文字留在内存里可以从菜单复制,恢复后只打新出来的字,不把旧的再打一遍。真的发送失败才报红“文字输入失败”,下一段照样重试;管理员权限的窗口可能拒收,从托盘复制取回。Esc 取消未输入内容,已输入部分继续留在应用里。
指定麦克风缺席、采音丢帧、模型或GPU资源不可用时显示具体问题,不改用另一麦克风或云端,不把空识别和坏声音送进输入框。

用途与实际影响
说话打字最怕三件事:换了个窗口,后面的字却还往旧窗口塞,或者干脆停住;麦克风被悄悄换掉;点了收起却仍在录音。这个入口把显示、采音、识别和输入落点分开:字永远打进我当下所在的位置,我能随时暂停和取消;它不为追求顺口而自动润色或回车发送。
“这段邮件我想口述,识别好先放进编辑框,不要发送。”我在编辑框里按 Win+H 开始说,文字一段段打进去;说到一半切去聊天窗口回了一句,接下来的字就打进聊天框,不会把我拽回邮件窗口。全部说完我自己检查,再决定发送。
得到打进当前输入位置的文字和面板状态;最近一段完整文字留在内存里,随时可以复制。取消只丢弃尚未输入的片段,不能撤销已经输入的字。
录音按钮变绿表示正在采音;每段识别完,先重新看一眼我现在所在的窗口和输入框,再把整句打进去。切换应用或输入框不会暂停录音、不收起小窗,也不报错。我控制下一段、暂停和最后发送。
一时没有能打字的地方(焦点落在小窗自己身上,或快捷键还没松开)时,小窗显示中性的“等待输入位置”:点回输入框就接着打,这段文字留在内存里可以从菜单复制,恢复后只打新出来的字,不把旧的再打一遍。真的发送失败才报红“文字输入失败”,下一段照样重试;管理员权限的窗口可能拒收,从托盘复制取回。Esc 取消未输入内容,已输入部分继续留在应用里。
指定麦克风缺席、采音丢帧、模型或GPU资源不可用时显示具体问题,不改用另一麦克风或云端,不把空识别和坏声音送进输入框。

录音按钮变绿表示正在采音;有效语句识别完成、原焦点仍合适时输入整句文字。本人控制下一段、暂停和最后发送。
焦点变化或管理员窗口拒绝输入时停止自动输入,保留托盘复制入口;Esc取消未输入内容,已输入部分继续留在应用里。
指定麦克风缺席、采音丢帧、模型或GPU资源不可用时显示具体问题,不改用另一麦克风或云端,不把空识别和坏声音送进输入框。

录音按钮变绿表示正在采音;有效语句识别完成、原焦点仍合适时输入整句文字。本人控制下一段、暂停和最后发送。
焦点变化或管理员窗口拒绝输入时停止自动输入,保留托盘复制入口;Esc取消未输入内容,已输入部分继续留在应用里。
指定麦克风缺席、采音丢帧、模型或GPU资源不可用时显示具体问题,不改用另一麦克风或云端,不把空识别和坏声音送进输入框。

点好要输入的文本框,用 Win+H 唤起听写小窗。
- 当前可编辑位置
- 要口述的句子


点好要输入的文本框,用 Win+H 唤起听写小窗。
- 当前可编辑位置
- 要口述的句子



- 桌面入口 scripts/dictation.ps1 维护独立托盘进程,不进入文件 Smart API 的 job(任务记录) 队列;dictation.py 组织采音、分句、推理与取消,dictation_audio.py 处理输入设备,dictation_windows.py 维护 Win+H/Esc 和文字注入。开始菜单中文听写.lnk经Start-Dictation.vbs隐藏调用Start;已运行时用同会话Start事件通知原窗口执行快捷键同一动作,未运行时由现有任务启动并最多等待30秒,不另建实例。
- configs/dictation.yaml:16 kHz、silence_ms=600、min_speech_ms=240、max_chunk_sec=20;默认指定 DJI Mic Mini,input_device: null 才跟随 Windows 默认输入。hotwords 当前为空,避免不清晰声音触发术语复读;轻量 WebRTC VAD(语音活动检测)保留语句前后缓冲,无有效语音或空识别时不输入。


- 桌面入口 scripts/dictation.ps1 维护独立托盘进程,不进入文件 Smart API 的 job(任务记录) 队列;dictation.py 组织采音、分句、推理与取消,dictation_audio.py 处理输入设备,dictation_windows.py 维护 Win+H/Esc 和文字注入。开始菜单中文听写.lnk经Start-Dictation.vbs隐藏调用Start;已运行时用同会话Start事件通知原窗口执行快捷键同一动作,未运行时由现有任务启动并最多等待30秒,不另建实例。
- configs/dictation.yaml:16 kHz、silence_ms=600、min_speech_ms=240、max_chunk_sec=20;默认指定 DJI Mic Mini,input_device: null 才跟随 Windows 默认输入。hotwords 当前为空,避免不清晰声音触发术语复读;轻量 WebRTC VAD(语音活动检测)保留语句前后缓冲,无有效语音或空识别时不输入。

- dictation_windows.py 的 insert_text 先等快捷键修饰键松开(最多 0.5 秒),再在每段写入时独立重读当前外部前台窗口和焦点,用 SendInput 输入,不复用旧窗口、也不把它拉到前台。没有外部输入目标、焦点在自己窗口或修饰键未松开时返回 TEMPORARILY_UNAVAILABLE,dictation.py 显示中性“等待输入位置”,恢复后只输入新结果、不重放没送出的旧片段;SendInput 实际失败才显示红色“文字输入失败”,下一段仍重新尝试(实现 16fef59、规则与验收边界 9def713,北京 10 月 2 日)。
- 当前面板为 200×75 实际像素;优先 MTT1337 VDD,缺席时用 PHLC34B 物理主屏,只保留一份面板并在显示变化时重定位,可自由拖动。旧图层素材自身的 160×60 不代表实际窗口大小。
- 设备菜单随 DPI 缩放,主面板按实际像素固定;选定麦克风下次录音重新枚举,缺设备不改用另一麦克风。本机 preferences.json 保存选择,不修改 Windows 默认设备。若同一设备不接受16kHz,尝试它报告的原生采样率;按实际采样率分句,再用resample_poly把完整语句转成模型要求的16kHz。采音丢帧或采样率未准备好时取消尚未输入内容,不把坏声音当成功。
- 听写直接使用Qwen3-ASR-1.7B,不做双模型等待或LLM润色;输出经 text_normalizer 用 OpenCC t2s 只把繁体字形换成简体(“軟體”→“软体”,不换成“软件”),10 月 11 日 00:52 提交 1bd5a04 起生效,正在运行的听写进程启动更早,重启后才会用上。模型预载内存,录音推理时通过LocalGpuBroker(本地 GPU 调度器)申请ASR(自动语音识别)租约,暂停将模型放回内存并释放显存。
- 音频和最近文本不保存为历史;outputs/dictation/runtime.log仅记录错误、耗时和字数,preferences.json只保存本机麦克风选择。scripts/dictation.ps1的Install安装依赖、创建ChineseASR Dictation登录任务并启动;Status只读状态,Start/Stop控制现有进程,Uninstall移除登录自启但保留项目和模型。
- dictation_worker.py 把原生模型调用放入常驻受监督子进程,匿名管道传内存音频;加载180秒、操作60秒、预热40秒、停车20秒。启动最多恢复一次,未返回的一句确认进程已退出后最多重试一次;预热超时重载但不重复预热,反复失败转为可操作错误。


- dictation_windows.py 的 insert_text 先等快捷键修饰键松开(最多 0.5 秒),再在每段写入时独立重读当前外部前台窗口和焦点,用 SendInput 输入,不复用旧窗口、也不把它拉到前台。没有外部输入目标、焦点在自己窗口或修饰键未松开时返回 TEMPORARILY_UNAVAILABLE,dictation.py 显示中性“等待输入位置”,恢复后只输入新结果、不重放没送出的旧片段;SendInput 实际失败才显示红色“文字输入失败”,下一段仍重新尝试(实现 16fef59、规则与验收边界 9def713,北京 10 月 2 日)。
- 当前面板为 200×75 实际像素;优先 MTT1337 VDD,缺席时用 PHLC34B 物理主屏,只保留一份面板并在显示变化时重定位,可自由拖动。旧图层素材自身的 160×60 不代表实际窗口大小。
- 设备菜单随 DPI 缩放,主面板按实际像素固定;选定麦克风下次录音重新枚举,缺设备不改用另一麦克风。本机 preferences.json 保存选择,不修改 Windows 默认设备。若同一设备不接受16kHz,尝试它报告的原生采样率;按实际采样率分句,再用resample_poly把完整语句转成模型要求的16kHz。采音丢帧或采样率未准备好时取消尚未输入内容,不把坏声音当成功。
- 听写直接使用Qwen3-ASR-1.7B,不做双模型等待或LLM润色;输出经 text_normalizer 用 OpenCC t2s 只把繁体字形换成简体(“軟體”→“软体”,不换成“软件”),10 月 11 日 00:52 提交 1bd5a04 起生效,正在运行的听写进程启动更早,重启后才会用上。模型预载内存,录音推理时通过LocalGpuBroker(本地 GPU 调度器)申请ASR(自动语音识别)租约,暂停将模型放回内存并释放显存。
- 音频和最近文本不保存为历史;outputs/dictation/runtime.log仅记录错误、耗时和字数,preferences.json只保存本机麦克风选择。scripts/dictation.ps1的Install安装依赖、创建ChineseASR Dictation登录任务并启动;Status只读状态,Start/Stop控制现有进程,Uninstall移除登录自启但保留项目和模型。
- dictation_worker.py 把原生模型调用放入常驻受监督子进程,匿名管道传内存音频;加载180秒、操作60秒、预热40秒、停车20秒。启动最多恢复一次,未返回的一句确认进程已退出后最多重试一次;预热超时重载但不重复预热,反复失败转为可操作错误。





| 名词 | 意思 |
|---|---|
| VAD(语音活动检测) | 判断这一段是否含有效语音,保留句内及前后缓冲;无语音或空识别不会输入文字。 |
| 原生采样率 | 麦克风实际支持的采音频率;同设备不接受16kHz时先按支持值录制,再转换完整语句。 |
| 单面板的显示选择 | MTT1337 已接入时优先显示,否则回到 PHLC34B 物理主屏;这是同一次听写的唯一控制窗,不是双屏并行录音。 |
| 最近完整文本 | 只为本次主动复制保留在内存中的识别结果,不是跨退出保存的聊天或录音档案。 |

停顿后把整句文字打进我此刻所在的输入位置;面板只显示一份,模型卡住有期限和恢复;暂时没有输入点时等待而不乱打,真正发送失败才报错,取消不把迟到文字塞进任何地方。
解决什么
防止永久停在准备中、模型调用拖住界面、换了窗口后文字还往旧窗口塞或把旧窗口抢回前台、把“暂时没地方打字”误报成故障、缺设备误录别的麦克风,以及收起后无意继续录音。



停顿后把整句文字打进我此刻所在的输入位置;面板只显示一份,模型卡住有期限和恢复;暂时没有输入点时等待而不乱打,真正发送失败才报错,取消不把迟到文字塞进任何地方。
解决什么
防止永久停在准备中、模型调用拖住界面、换了窗口后文字还往旧窗口塞或把旧窗口抢回前台、把“暂时没地方打字”误报成故障、缺设备误录别的麦克风,以及收起后无意继续录音。

- 暂时没有输入位置(焦点落在小窗自己身上,或快捷键还没松开): 显示中性的“等待输入位置”,不停录、不报红;点回输入框后只输入新结果,没送出的那段从托盘或小箭头菜单复制取回。
- 文字真实发送失败,或管理员权限窗口拒收: 报红“文字输入失败”,下一段照常重试;通过托盘主动复制最近文本,再由本人选择粘贴位置。
- 听写按 Esc 或退出: 取消尚未输入部分并停麦克风,已输入文字保留;退出交还系统 Win+H。

- 暂时没有输入位置(焦点落在小窗自己身上,或快捷键还没松开): 显示中性的“等待输入位置”,不停录、不报红;点回输入框后只输入新结果,没送出的那段从托盘或小箭头菜单复制取回。
- 文字真实发送失败,或管理员权限窗口拒收: 报红“文字输入失败”,下一段照常重试;通过托盘主动复制最近文本,再由本人选择粘贴位置。
- 听写按 Esc 或退出: 取消尚未输入部分并停麦克风,已输入文字保留;退出交还系统 Win+H。

- 指定麦克风未连接: 提示连接指定设备,不切换到其他麦克风;检查配置或连接后再开始。
- 同一麦克风不接受16kHz: 尝试该设备报告的原生采样率,再转换整句;采音丢帧或采样率未准备好时取消未输入内容。
- 模型或GPU租约不可用: 保留明确错误和当前控制入口,不绕过显卡协调器、换模型或上传云端。
- 屏幕接回、断开或分辨率改变: 按硬件型号重新定位目标小窗,同一次录音与选择继续共享;未接入的目标不显示。
- 真正退出或程序中断: 结束本次内存会话;沿Start或开始菜单重开,旧录音和文字没有可恢复的文件任务记录。

- 指定麦克风未连接: 提示连接指定设备,不切换到其他麦克风;检查配置或连接后再开始。
- 同一麦克风不接受16kHz: 尝试该设备报告的原生采样率,再转换整句;采音丢帧或采样率未准备好时取消未输入内容。
- 模型或GPU租约不可用: 保留明确错误和当前控制入口,不绕过显卡协调器、换模型或上传云端。
- 屏幕接回、断开或分辨率改变: 按硬件型号重新定位目标小窗,同一次录音与选择继续共享;未接入的目标不显示。
- 真正退出或程序中断: 结束本次内存会话;沿Start或开始菜单重开,旧录音和文字没有可恢复的文件任务记录。

- 听写安装、自启动与停启状态
- 采音分句、推理、“等待输入位置”提示与取消
- Windows 快捷键、托盘与按当前焦点注入文字
- 独立听写模型、指定设备、分句与单面板显示优先级
- 设备枚举、采音、原生采样率与重采样
- 有效语音检测与缓冲
- 输入位置跟随、单面板重定位与控制回归
- 现行 main=459869608730ed8e6e8ce656c5cef39553255624(11 月 4 日本机读到,和本机记录的 origin/main 一致,未联网刷新远端),本页技术事实于 11 月 4 日据此只读核对;9 月 9 日记录的 12eb64e93586b8fce8a4d2b9750c4d097b78ae5a 只作历史基线。新增网页模块不代表新增源码能力。

- 听写安装、自启动与停启状态
- 采音分句、推理、“等待输入位置”提示与取消
- Windows 快捷键、托盘与按当前焦点注入文字
- 独立听写模型、指定设备、分句与单面板显示优先级
- 设备枚举、采音、原生采样率与重采样
- 有效语音检测与缓冲
- 输入位置跟随、单面板重定位与控制回归
- 现行 main=459869608730ed8e6e8ce656c5cef39553255624(11 月 4 日本机读到,和本机记录的 origin/main 一致,未联网刷新远端),本页技术事实于 11 月 4 日据此只读核对;9 月 9 日记录的 12eb64e93586b8fce8a4d2b9750c4d097b78ae5a 只作历史基线。新增网页模块不代表新增源码能力。

- 2026-10-11 13:38 记录:ChineseASR Dictation 已安装且在运行,快捷键与开始菜单入口归属匹配;这次运行从 10 月 10 日 11:06 开始(任务结果码 267009 表示仍在运行,不是启动失败)。它晚于 10 月 2 日的输入位置修复,早于 10 月 11 日的繁简改动;没有重启,也没有核对内存里已加载的版本。
- 历史测试保留原日期:2026-09-09 三个听写测试模块 45 项通过、1.225 秒;9月7日71通过/1跳过、9月5日完整376项;9 月 17 日用公开音频验过单模型听写识别(不往桌面注入文字)。繁简改动新增 4 个测试定义,10 月 11 日核对时没有执行。以上不叠加为新全套。
- 输入位置修复按项目规则只做后台程序检查,不操作本人鼠标键盘、不另安排本人测试。个人口音、DJI 麦克风采音、真实快捷键、200×75 实际桌面位置、切换窗口后的上屏与管理员窗口输入,10 月 11 日和 11 月 4 日都没有重验;任务在运行和来源测试不替代使用结果。
桌面听写负责实时采音和应用输入;文件入口与任务模块负责已有录音、持久任务和文件结果。二者复用已有模型适配器与GPU协调,但输入、输出和恢复生命周期分别验收。微信实时语音的热识别会话借用同一份听写配置和模型,但是单独的进程,不进听写小窗。

- 2026-10-11 13:38 记录:ChineseASR Dictation 已安装且在运行,快捷键与开始菜单入口归属匹配;这次运行从 10 月 10 日 11:06 开始(任务结果码 267009 表示仍在运行,不是启动失败)。它晚于 10 月 2 日的输入位置修复,早于 10 月 11 日的繁简改动;没有重启,也没有核对内存里已加载的版本。
- 历史测试保留原日期:2026-09-09 三个听写测试模块 45 项通过、1.225 秒;9月7日71通过/1跳过、9月5日完整376项;9 月 17 日用公开音频验过单模型听写识别(不往桌面注入文字)。繁简改动新增 4 个测试定义,10 月 11 日核对时没有执行。以上不叠加为新全套。
- 输入位置修复按项目规则只做后台程序检查,不操作本人鼠标键盘、不另安排本人测试。个人口音、DJI 麦克风采音、真实快捷键、200×75 实际桌面位置、切换窗口后的上屏与管理员窗口输入,10 月 11 日和 11 月 4 日都没有重验;任务在运行和来源测试不替代使用结果。
桌面听写负责实时采音和应用输入;文件入口与任务模块负责已有录音、持久任务和文件结果。二者复用已有模型适配器与GPU协调,但输入、输出和恢复生命周期分别验收。微信实时语音的热识别会话借用同一份听写配置和模型,但是单独的进程,不进听写小窗。
复制 AI 续作说明
项目:对电脑说话,直接把文字输入当前应用;仓库:wlyaaaaa/ChineseASR;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。
把“目标”换成这次要做的事,整段复制给 AI。








