做了一个 Typeless 的开源平替：Mac 上的本地语音输入工具

叫Guava不是瓜娃
0 阅读10分钟

做了一个 Typeless 的开源平替：Mac 上的本地语音输入工具

按住说话，松开就是去掉口头禅、改好口误的文字。和 Typeless 体验类似，但声音从不离开你的 Mac；AI 整理接上 Ollama 本机模型或 macOS 自带的 Apple 智能，连文字也不出电脑。免费、开源、不用注册。

封面

Typeless 很好用，但我不想把声音交出去

最近 Typeless 很火，我也用了一阵。它确实好用：随口说一段，出来的是通顺的书面文字，"嗯、那个"没了，说错改口的地方也理顺了。

但用久了有几件事让我不太舒服：

  • 语音在云端识别。  Typeless 的数据说明里写得很清楚：转写在云端完成。它承诺不保存音频，服务商也不拿数据训练，但声音毕竟离开了我的电脑。
  • 要注册账号。  想用就得先登录。
  • 免费版每周有字数限制。  说得多就得订阅，Pro 按年付每月 12 美元，按月付每月 30 美元。

我每天会说很多工作上的内容：还没公开的需求、客户名字、内部讨论。这些东西我更希望只在自己电脑上处理。

所以我做了 Tidytalk：同样是"说完自动整理"，但整条链路都可以在本机跑完。

你说的输出
嗯那个我想问一下就是这个 API 的那个 rate limit 呃是多少我想问一下这个 API 的 rate limit 是多少？
项目要延期到下周三，不对，是下周四项目要延期到下周四。

说一段话，松开后整理好的文字出现在光标处转存失败，建议直接上传图片文件

和 Typeless 比一比

先说清楚：Typeless 是成熟的商业产品，支持 Mac、Windows、Linux 和手机，开箱即用，这些 Tidytalk 都比不了。下面只对比我最在意的几项（Typeless 的信息来自它的官网价格页和数据说明页，2026 年 10 月核对）：

TidytalkTypeless
价格免费，不限字数免费版每周有字数限制；Pro 按年付每月 12 美元，按月付每月 30 美元
语音在哪里识别你的 Mac 上云端
AI 整理自己选：Ollama、LM Studio、Apple 智能在本机跑，或接自己的云端 API内置，在云端
能否离线能不能
账号不需要需要
平台仅 Mac（macOS 26+、Apple 芯片）Mac、Windows、Linux、iOS、Android
开源是，MIT 协议否

如果你需要在手机和 Windows 上用，或者完全不想折腾设置，Typeless 更合适。如果你在意隐私、想离线用、经常中英文混着说，可以试试 Tidytalk。

"本地"到底本地到什么程度

"本地运行"这个词被用得很泛，所以我把每一步都拆开说清楚。

一次说话输入的流程：除了可选的 AI 整理，每一步都在本机转存失败，建议直接上传图片文件

一直在本机的：

  • 录音：只放在内存里，不写入磁盘。识别完就丢掉。
  • 语音识别：用 sherpa-onnx 在本机跑模型，默认是阿里通义实验室开源的 SenseVoice。没有任何"云端识别"的选项，想上传也上传不了。
  • 词库替换、中英文排版、粘贴：都是本地代码。
  • 最近记录：最近 20 条结果只在内存里，退出就清空。
  • 实时字幕：只录电脑播放的声音、不录麦克风，在本机识别，关掉字幕就清空。
  • 自动学词：粘贴后一分半钟内比较你在输入框里改了哪些词，只提示、不保存。

可能会离开电脑的，只有一项：AI 整理。

你的设置声音文字
Ollama / LM Studio 本机模型不离开不离开
Apple 智能（macOS 内置端侧模型）不离开不离开
关闭"整理文字"（直接输出识别结果）不离开不离开
云端接口（DeepSeek、OpenAI 等）不离开只发送识别出的文字

另外，应用会联网的地方，我在代码里一个个列出来了，一共就这几处：

  1. 第一次使用时下载识别模型（Hugging Face，失败自动换 HF-Mirror 国内源），下载完会做 SHA-256 校验；
  2. 检查更新：启动时访问一次 GitHub 上的最新版本，一天最多一次，可以在设置里关掉；
  3. 你配置的 AI 服务（选 Ollama、LM Studio 时是本机通信；选 Apple 智能时不走网络）；
  4. 转写视频链接时：第一次会从 yt-dlp 的 GitHub 官方 Release 下载它并校验，然后下载你给的视频的音频，转写完立刻删除。

没有统计、没有埋点、没有账号。保存 API Key 的配置文件 ~/.tidytalk.json 权限是 600，只有你自己的用户能读。

别信我，自己验证

隐私这种事，"我说没上传"没什么说服力，所以 Tidytalk 是开源的，你可以用下面几种办法自己确认。

1. 断网试一下

关掉 Wi-Fi，AI 服务选 Ollama（或者关闭整理），照常按住快捷键说话。能正常出字，就说明整条链路没有依赖网络。

2. 看它在连哪里

一边用，一边在终端看 Tidytalk 的网络连接：

# 实时查看 Tidytalk 的网络流量
nettop -p Tidytalk


# 或者列出它当前打开的网络连接
lsof -i -n -P | grep -i tidytalk

用本机模型时，你只会看到它连 127.0.0.1（Ollama 默认端口 11434，LM Studio 默认 1234）。

3. 直接看代码

所有发网络请求的地方只有这 4 个文件，一眼就能看完：

git clone https://github.com/byteyu2436/tidytalk.git
cd tidytalk
grep -rln "URLSession" Sources

Sources/Tidytalk/Services/ChatCompletionClient.swift   # 调用你配置的 AI 服务
Sources/Tidytalk/Services/ModelManager.swift           # 下载识别模型
Sources/Tidytalk/Services/UpdateChecker.swift          # 检查更新
Sources/Tidytalk/Services/FileTranscription.swift      # 下载 yt-dlp

三步配一个完全离线的语音输入

第一步：装 Ollama，拉一个模型

brew install ollama
ollama serve            # 或者直接打开 Ollama 应用
ollama pull qwen2.5:7b

整理口语这件事，7B 左右的模型基本够用。模型太小的话，容易不听"只整理、不回答"的要求。

第二步：在 Tidytalk 里选 Ollama

打开"设置 › 配置 AI"，在"AI 服务"里选 Ollama，确认模型名，点"测试连接"。本机模型不需要 API Key。

配置 AI：Ollama、LM Studio、云端和 Apple 智能四种 AI 服务转存失败，建议直接上传图片文件 更省事的选择：Apple 智能

如果你的 Mac 支持 Apple 智能，第一步都可以省掉：在"系统设置"里打开 Apple 智能，再回到 Tidytalk 的"配置 AI"选 Apple 智能 就行。

  • 用的是 macOS 内置的端侧模型（Foundation Models 框架），整理和翻译都在本机完成；
  • 不用装 Ollama、不用下载模型、不用 API Key；
  • Mac 不支持或者没打开 Apple 智能时，这个选项会变灰，并写明原因（比如上图里"这台 Mac 不支持 Apple 智能"）。

实现上不复杂。先用 SystemLanguageModel.default.availability 判断能不能用，不能用时把原因直接显示在选项上：

switch SystemLanguageModel.default.availability {
case .available:
    nil
case .unavailable(.deviceNotEligible):
    String(localized: "这台 Mac 不支持 Apple 智能")
case .unavailable(.appleIntelligenceNotEnabled):
    String(localized: "请先在系统设置里打开 Apple 智能")
case .unavailable(.modelNotReady):
    String(localized: "Apple 智能还没准备好，请稍后再试")
case .unavailable:
    String(localized: "Apple 智能暂时不可用")
}

整理时复用了给 OpenAI 兼容接口准备的那套对话消息：system 消息和示例对话合并成 instructions，最后一条用户消息作为输入，用贪心采样让同样的话每次整理结果一致：

let session = LanguageModelSession(instructions: instructions)
let text = try await session.respond(
    to: prompt,
    options: GenerationOptions(samplingMode: .greedy)
).content

说句实话：我手上这台 Mac 用不了 Apple 智能，这一项还没有在真机上完整测过。如果你的 Mac 支持，欢迎试试并告诉我效果。

第三步：选一个识别模型

在"设置 › 识别模型"里选，所有模型都在本机运行：

模型大小适合
SenseVoice（默认）约 240 MB速度最快，20 秒的话约 0.3 秒识别完，中英文混说效果好
Qwen3-ASR约 1 GB最准确，支持 30 种语言和 22 种中文方言，能直接认出词库里的人名和术语
Fun-ASR-Nano约 1 GB中文、英文、日文，准确度接近 Qwen3-ASR，稍快
Whisper Turbo约 1 GB约 99 种语言，适合小语种；中文会漏字
Apple 系统识别不用下载按系统语言识别，中英文混说一般

到这里，从录音、识别到整理，没有任何一步需要联网。

models.png

Typeless 有的，这里也有

除了"说完自动整理"，Typeless 常用的几个功能 Tidytalk 也都做了：

  • 语音改写选中文字：选中一段，按住右侧 Option 说"改得正式一点""缩短成一句话"，松开就替换好。
  • 说中文，出英文：设置输出语言，整理时顺便翻译，支持 8 种语言。
  • 个人词库：常用词、固定替换、快捷短语、自定义规则。
  • 自动学词：粘贴后你手动改了某个词，会提示你一键加入词库。

另外还有两个功能：

  • 实时字幕：按 ⌃⌥C 给电脑正在播放的视频、网课、会议加字幕，可以边听边翻译。
  • 转写文件和链接：拖入录音、视频，或者粘贴 YouTube、B 站链接，转成带时间戳的文字，导出 TXT、SRT 或 Markdown。

captions.jpg

两个和"本地"有关的坑

做本地识别时踩了两个不太明显的坑，记录一下。

坑 1：VAD 一次喂一大段音频，只返回最后一句

转写长录音时，我先用 Silero VAD 按停顿把音频切成一句一句，再逐句识别。一开始图省事，把整段音频一次塞给 VAD，结果只拿到了最后一小段。

sherpa-onnx 的 VAD 是按"实时流"设计的，实时字幕那边本来就是一小块一小块送进去的。文件转写也改成同样的做法，按 0.1 秒一块喂，每喂一块就把已经切好的片段取出来，就正常了：

let vad = try VoiceActivityDetector(minSilence: 0.5, maxSpeech: 20)
var segments: [VoiceActivityDetector.Segment] = []
// 和实时收听一样小块送入（0.1 秒）；一次送入很长的音频时，检测器只会切出最后一段
let step = AudioMath.sampleRate / 10
var offset = 0
while offset < samples.count {
    let end = min(samples.count, offset + step)
    segments += vad.acceptSegments(Array(samples[offset..<end]))
    offset = end
}
segments += vad.flushSegments()

坑 2：转写的每一段都少了开头几个字

切好的片段送去识别，经常丢掉开头的一两个字。原因是 VAD 判断"开始说话"有一点延迟，切出来的起点比真正开口晚了一点点。

解决办法是每段的起点往前多留 0.3 秒，宁可多一点静音，也不切掉开头的字：

// 检测器确认开始说话时，这句话已经开始了一小会儿；往前多取 0.3 秒，免得吞掉开头的字
let padding = AudioMath.sampleRate * 3 / 10
let start = max(0, segment.start - padding)

不足

说几句实话：

  • 只支持 macOS 26 及以上、Apple 芯片的 Mac，没有 Windows 和手机版；
  • 安装包还没有经过苹果公证，第一次打开要去"系统设置 › 隐私与安全性"点"仍要打开"；
  • 本机小模型（包括 Apple 智能的端侧模型）的整理效果比不上云端大模型，长段落偶尔会整理得不够干净；
  • 第一次要下载识别模型（240 MB 到 1 GB 不等）。

安装

  1. 到 GitHub Releases 下载 DMG，把 Tidytalk 拖进"应用程序"文件夹；
  2. 第一次打开被拦的话，去"系统设置 › 隐私与安全性"点"仍要打开"，或者在终端执行：
xattr -dr com.apple.quarantine /Applications/Tidytalk.app

3. 按引导授权麦克风和辅助功能、选 AI 服务（可以跳过）、下载识别模型，就能用了。

最后

项目以 MIT 协议开源，欢迎试用、提 Issue，也欢迎点个 Star ⭐️：

你平时用语音输入吗？更在意识别准不准，还是声音会不会被上传？欢迎在评论区聊聊 🙌

avatar
文章
阅读
粉丝