隐私不是卖点,是底线:一款开源语音转写工具,把“不上传”做成了能当场验证的事
隐私不是卖点,是底线:一款开源语音转写工具,把“不上传”做成了能当场验证的事
先说一个很多人都经历过的尴尬场面。
开会录了一段音,想转成文字,打开某个转写网站,上传、等待、复制。全程很顺,但你心里其实闪过一个念头:这段录音,现在躺在谁的服务器上?会不会被拿去训练模型?几个月后还能不能删干净?
大多数时候,我们把这个念头压下去了。因为所有产品都在说同一句话——“我们非常重视您的隐私”。
问题就在这儿:一句话说出来是零成本的,验证它却需要成本。 所以隐私这件事,从来不该是发布会上的卖点,而应该是产品出厂就该具备的底线。
最近在技术社区里被反复提起的开源工具 Handy,恰好踩在这个点上:它是一款完全本地运行的语音转文字桌面软件,免费、开源,Windows、macOS、Linux 都能用。但真正值得聊的,不是“它支持离线”这四个字,而是——“离线”这件事,普通人到底能不能自己验证一遍。
一、它到底是个啥?一句话说清
把它想象成一个住进你电脑里的速记员。
你按住一个自己设定的快捷键,对着麦克风说话,说完松手,文字就自动出现在你正在用的任何输入框里——微信、文档、浏览器、代码编辑器,都行。
区别在于:这个速记员不出门。你的声音从麦克风进电脑,在本地被识别成文字,然后被“打”进输入框。整个过程,音频不需要打包寄给远方的服务器。
它的原理并不神秘:本地跑一个语音识别模型,先用静音检测把“嗯、啊、停顿”这些没用的部分掐掉,再把有效语音交给模型转写。模型需要提前下载一次,之后断网也能用。

上图就是它录音时的浮层:你说话的同时,文字一句一句往外冒,还带计时。这种“边说边看见”的反馈,比录完等半天再出结果舒服得多。
二、“我们不上传”这句话,其实分三个层次
这是整件事最值得说清楚的地方。判断一个软件是不是真的本地处理,可以分成三层来看,一层比一层硬。
第一层:说法层。 官网写着“数据不离开你的设备”,隐私政策里写着“我们不会收集你的音频”。这一层最便宜,也最无法验证。说过什么,和实际做了什么,中间可以隔很远。
第二层:代码层。 Handy 是 MIT 协议的开源项目,代码全部公开,任何人都能下载、阅读、自己编译一份。理论上,只要有人逐行看完,就能知道它有没有偷偷联网。
但这里必须说句实话:开源不等于人人可审计。 一个成熟项目动辄几万行代码,普通用户看不懂,绝大多数程序员也不会真的从头读到尾。把“代码公开”直接等同于“我已经验证过”,是一种自我安慰。
所以真正关键的,是第三层。
第三层:行为层。 不看它怎么说,也不指望自己读懂代码,而是看它在运行时到底干了什么——断网还能不能用?静置时有没有偷偷发数据?下载的东西对不对得上?数据最后存在哪儿、能不能一键清掉?
这一层,才是普通人真正能参与的检验。
三、Handy 在这三层上,分别交了什么作业
代码层,它把材料摆了出来。 项目采用 MIT 开源协议,连它支持的模型清单都是公开的,目前列了七十多个语音模型、覆盖上百种语言标识。你甚至可以换成自己找的模型文件,放进指定目录就能被识别。
它还做了一件容易被忽略但很关键的事:发布出去的安装包带数字签名。 官方给出的校验方式很朴素,成功时终端只会打印一行字,大意是“签名与注释签名均已验证”。这行的意思是:你手上这个安装包,确实来自项目方,中途没被人塞东西。
模型文件同样带“指纹”。每个模型都有对应的哈希值,下载完成后程序会自动比对,对不上就删掉重下。这就像收快递时先称重、再验封条——不是相信快递员,而是相信封条。
行为层,它把能联网的地方缩到了很少。 本地识别是主路径。默认情况下,它需要联网的场景基本只有两个:一是检查新版本,二是第一次下载模型。模型下载完,之后日常使用可以完全断网。
这里有个必须点明的细节,很多“伪离线”产品就栽在这:Handy 有一个“后处理”功能,可以调用云端大模型帮你润色文字、改标点。 这个功能默认是关闭的,要你自己填 API Key、自己选服务商才会生效。也就是说,想让文字出门,得你亲手开门。
这个设计值得肯定,但也提醒我们:看到“本地转写”四个字时,最好顺手翻一眼设置里有没有“云端润色”“AI 改写”之类的开关。
数据层,它把“留不留”交给你。 转写历史和录音都存在你自己的电脑里。设置里可以选录音的留存周期:不留存、只保留最近几条、保留三天、两周或三个月。历史记录也能随时清空。
对开会、采访、看病记录这类敏感场景来说,“能删”和“默认不存”,比任何承诺都实在。
四、普通人能自己做的最小验证,四步就够
不用懂代码,也不用读源码,下面这几件事任何人都能做。
第一步:飞行模式测试。 把电脑断网,按住快捷键说一段话,看文字是否照常出现在输入框里。如果它支支吾吾、转圈、报错,那所谓“本地”就要打个问号。这是最粗暴也最有效的测试方法。
第二步:看它联不联网。 用系统自带的网络监视工具,或者干脆在防火墙里观察。静置十分钟,看它有没有持续往陌生地址发东西。正常的本地工具,闲着你不管它的时候,网络应该是安静的。
第三步:翻设置,做减法。 把自动检查更新关掉,把录音留存改成“不留存”,确认后处理是关闭状态。做完这几步,再断网用一整天。能用,才叫真离线。
第四步:核对安装包。 官方文档里给了校验步骤,复制粘贴一条命令即可,成功会打印“签名已验证”。这一步有点像验钞,麻烦一次,心里踏实很久。
需要说明的是,这四步验证的是“行为”,不是“代码”。它证明不了作者写的每一行都纯洁无瑕,但足以证明:在你使用的这个版本、这台电脑上,它确实没有把你的声音送出去。 对普通人来说,这已经是最有性价比的信任来源。
五、抛开隐私,它好不好用?
隐私是底线,但底线不能当饭吃。这玩意儿日常用起来,确实有点上瘾。
新版把快捷键做成了三种模式:按住说话、轻点开关、以及自动判断。自动模式下,短按是开录、再按停止,长按则是按住说、松手停,用户不用记规则,手怎么顺就怎么来。

实际体验里最爽的是“无感”:想到一句话,按住说,松手,文字已经躺在输入框里了,中间没有切窗口、没有复制粘贴、没有等待转圈。写稿、回消息、记会议要点,节奏不会被打断。
它还支持自定义词库,把公司名、专业术语、人名提前喂进去,识别准确率会明显提升;中英混说也不用频繁切语言。模型从几百兆到两个多G都有,老笔记本选个小模型照样能跑,有独立显卡的可以上大模型换准确率。界面本身支持二十多种语言,中文汉化是完整的。
另外它还能直接拖入音频、视频文件批量转写,做自媒体的朋友拿它整理采访录音,比一句句听写省太多时间。
六、也得说说它不完美的地方
一篇只夸的文章不值得信。这款工具的现实门槛同样明显。
第一,开源不等于安全认证。它没有经过第三方安全审计机构的背书,代码公开只是“允许被检查”,不代表“已经被检查透”。社区里确实有人在做,但这是长期活儿。
第二,默认会检查更新。虽然只是去取一个版本号,对隐私极度敏感的人,建议手动关掉。
第三,后处理是“可选的云端”。一旦你打开它并填了 API Key,文字就会发给对应的模型服务商。这不是bug,是功能,但你得知道自己开了什么。
第四,系统权限绕不开。macOS 和 Windows 都需要给麦克风和辅助输入权限,Linux 的 Wayland 环境还得额外装输入工具,偶尔要折腾。
第五,它只做转写这一件事。不做会议纪要总结、不做说话人分离的成品输出、不做团队协作。想要“全能办公助手”的人,可能会觉得它太素。
但换个角度想:一个工具只干一件事,反而更容易被检验。功能越多,能藏东西的地方也越多。
写在最后
我们这代人已经习惯了用隐私换便利:用免费的转写、免费的修图、免费的翻译,代价是把内容交给看不见的服务器。
Handy 提供的不是终极答案,而是一种态度:把“不上传”从一句宣传语,变成一系列可以被断网、被抓包、被校验、被关掉的具体动作。
技术圈有句话说得挺好——不要相信承诺,要相信可验证的机制。
所以最后想问问你:你电脑和手机里,现在有多少软件号称“数据只在本地”?如果现在拔掉网线,它们还能不能正常干活?
不妨挑一个,今晚就试试。测完的结果,欢迎来评论区说说,估计会有不少意外。