默认不出网:语音转文字这件事正在被拉回本机
默认不出网:语音转文字这件事正在被拉回本机
你有没有过这种别扭的瞬间:开会时想语音记两笔,手都放到麦克风上了,又默默收回来——因为不知道这段声音会被传到哪台服务器、存多久、给谁看。
过去几年,语音转文字几乎都是“云上生意”:你说一句话,音频先打包上传,转完再把文字送回来。快是快,但代价是你的声音必须离开你的电脑。
最近一个叫 Hex 的开源项目在技术社区被反复讨论,它押的注很反着来:默认不出网,让语音识别就地在本机跑完。

一、转折点:不是技术炫技,是大家开始算“数据账”
AI 语音识别早就不是难题了,难的是“放哪儿算”。
云端识别的逻辑像叫外卖:你把原材料送出去,中央厨房做好再送回来,味道稳定、成本低,但你的东西出了门。本机识别像在自家厨房做饭:慢一点、锅要自己买,但菜刀切了什么,只有你知道。
Hex 选的是后者。它把语音模型直接装进你的电脑,你说完松开快捷键,识别、出字、粘贴全在本机完成。普通听写这条链路里,没有云端转写服务这一环。
真正让这件事从“极客玩具”变成“正经需求”的,是两类人撞到了一起:
一类是企业内网用户。很多公司电脑根本不允许把会议音频往外传,合规部门一句话就能否掉一整套云端方案;
另一类是普通人。越来越多的人意识到,声音是很私密的东西——它带着口音、情绪、说话习惯,甚至能反推出你当天在跟谁吵架。
这两拨人的需求,刚好在同一句话上会合:能不能不上传,也能好用?
二、它到底是个啥?一句话:按住键说话,松手就出字
别被“开源”“本地推理”这些词吓到,用起来其实土得可爱。
在 Mac 上,默认按住 Option 键说话,松手,文字就出现在你光标所在的位置——微信输入框、Word、浏览器搜索栏,甚至代码编辑器,都行。不想一直按着,双击 Option 锁定录音,再按一下结束;说错了按 Esc 取消。
没有“打开网页”“登录账号”“选择语言包再点确认”这一套流程。它藏在后台,像一个随时待命的速记员。

设置页也很“人话”:快捷键、麦克风、语言、本地模型、录音提示音、是否开机自启,全在一页里。
三、本地跑,最怕“又慢又不准”,它是怎么补的
这才是重点。很多人对本地识别的印象还停留在“十年前手机离线语音”的水平——慢半拍、错一堆。Hex 这两年在补的,正是这两块短板。
第一刀,砍延迟:边说边转,松手就完事。
它用的是流式识别:你说话的同时,音频就在一点点喂给模型。等你松手,只剩下最后一两秒需要处理。
官方发布说明里给了一组很直观的数字:一段 2 分钟的听写,以前在 MacBook Air M4 上要等 2.8 秒,现在大约 0.1 秒就能出结果;在配 RTX 5070 Ti 的机器上,从 0.9 秒降到 0.1 秒。
说白了,你说多久都不影响松手那一下的速度。这种感觉很奇妙——像话还没落地,字已经站在屏幕上了。
第二刀,补精度:不是一个大模型包打天下,而是按语言“点菜”。
它的模型选择器里躺着一堆本地模型,各自擅长不同语种。中文默认推荐的是 Qwen3-ASR 0.6B,公开测试集上的字错率大约 7.6%,已经接近云端主流水平;想要更快的可以用 SenseVoice,模型只有两百多 MB。
这些模型都是下载到本地跑的,体积从两百多 MB 到 2 GB 不等。也就是说,你损失的不是精度,而是一点点硬盘空间。
第三刀,治“人名地名总写错”的老毛病。
做过会议记录的人都懂:模型再强,也架不住同事叫“X 子豪”、产品叫“星野”、客户叫“费尔南多”。
Hex 里有个词表功能,你可以把常错的名字、术语、缩写填进去,还能写“听起来像什么”。识别时它会拿这些词去跟听到的音做比对,只有分数压过原词才替换——不是无脑硬改。
这招很土,但特别有效。对自媒体、法务、医疗这些专有名词密集的行业,几乎等于给 AI 配了本“本单位黑话手册”。
四、还有个意外惊喜:它顺手把会议记录也做了
语音听写是“我想说”,会议记录是“别人在说”,两件完全不同的事。Hex 把后者也塞进来了,而且依然是本地跑。
开启会议功能后,它能识别到 Zoom、Teams、Slack、Google Meet、FaceTime 这类通话开始,弹一个小提示问你要不要录。录音时它把“对方的声音(系统音频)”和“你的声音(麦克风)”分成两轨,转出来的稿子会自动标上“你”和“对方”,不会出现两个人说的话糊成一团的惨状。

更实用的是:录完自动生成标题和一段简短摘要,还能按关键词搜索历史会议。想找“上个月谁提过发布节奏”,直接搜就行,不用把一小时录音从头听一遍。
这部分数据也留在本机,摘要用的是苹果设备端的模型能力。
五、普通人上手,门槛到底高不高?
说点实在的。
能跑的机器: Mac 端需要 Apple 芯片 + macOS 15 以上,Intel 老 Mac 官方明确不支持;Windows 是 beta,x64 和 ARM64 都能装,默认快捷键 Ctrl+Space;Linux 也是 beta,主要照顾 X11 和 Hyprland、Sway 这类 Wayland 环境,对 Linux 桌面玩家友好,对纯小白略劝退。
装起来麻烦吗: Mac 用户一行 Homebrew 命令,或者下载安装包拖进“应用程序”就行。第一次启动会引导你开麦克风和辅助功能权限,再下载一个语音模型,全程有点像一个新手教程,还带一次“试说一句”的练习。
要不要显卡: 不强制。有 GPU 会更快,没有就走 CPU,能用,只是流式加速会打折。
断网能用吗: 装好模型之后,日常听写可以完全断网。只有下载模型和检查更新时需要联网——这一点很关键,很多“本地化”产品其实偷偷还要连服务器。
适合谁: 每天要写大量文字的自媒体和文案、开会开到吐的项目经理、不方便打字的程序员、以及所有“不想让自己的声音上传”的普通人。
顺带一提,它还有个“语音指令改文字”的功能:选中一段话,按住另一个快捷键说“把这段改得更正式一点”,它会调用你配置的模型改写后贴回去。这个功能默认关闭,而且明确属于“会把内容发给模型服务商”的可选能力——本地是默认,上云是选择,这个边界划得挺清楚。
六、这件事的意义,可能不止是“一个工具”
我们习惯了用隐私换便利:地图要位置、输入法要词库、语音助手要一直听。久而久之,大家默认“想好用就得上云”。
Hex 这类项目在证明另一种可能:当模型小到能塞进笔记本,本地和云端之间的那条线,是可以重新画的。
它当然不是完美的。平台覆盖还不齐,Windows 和 Linux 还在 beta;本地模型再多,也追不上云端最大的那几个;会议、指令这些高级功能还得你自己去开。
但它把一个问题摆到了台面上:你每天对着电脑说的那些话,真的有必要先上传到别人的机房,再回到你的屏幕上吗?
如果有一个工具,识别速度和云端差不多、准确率也够用,代价只是多占几百兆硬盘——你会愿意把语音输入切回“本机模式”吗?还是觉得“方便就行,我不在意”?评论区聊聊你的选择。