很多语音输入工具依赖云端，联网才能用，还要操心隐私、延迟和数据安全。CapsWriter-Offline（简称 CapsWriter）反其道而行之：这是一款离线语音输入工具，专为 Windows 打造，用本地语音识别模型把语音转成文字，不依赖云端服务。用法也极直接：按住 CapsLock 键或鼠标侧键 X2 开始说话，松开按键，识别出的文字就自动落到当前光标所在位置，不用切换窗口、不用复制粘贴。
离线语音输入的核心用法：按住说、松开写
它支持两种触发方式：键盘 CapsLock 键和鼠标侧键 X2，按住讲话、松开输入，默认会去掉末尾的逗号、句号等标点，更符合连续输入的习惯。除此之外还有对讲机模式和单击录音模式，适应不同的使用场景。这种“哪里需要输入、就在哪里说”的交互，尤其适合写文章、聊天回复、整理笔记、会议记录和快速输入长文本，能明显降低双手操作压力，也减少键盘输入打断思路的情况。
不只是实时输入：文件也能转文字
除了实时语音输入，它还支持文件转录：把音视频文件拖入客户端程序，就能自动生成字幕文件、文本文件和带时间戳的数据文件。对视频创作者、播客整理、课程笔记制作来说，这等于把已有的音视频内容快速变成可检索的文字资料。注意一点：文件转录需要安装 FFmpeg 并确保它在系统 PATH 中，装之前先把这一步准备好。
模型怎么选：速度与准确率自己权衡
项目支持多种语音识别引擎，可以按准确率、速度和硬件条件自己选。原项目给出的对照大致是：Paraformer 准确性中等、速度最快、不支持显卡加速；SenseVoice-Small 与之相近但支持显卡加速；Fun-ASR-Nano 准确性更高、速度稍慢、支持显卡加速；Qwen 3-ASR 准确性最高、速度最慢、支持显卡加速。更看重速度就选轻量模型，更看重准确率就选更强的模型，有显卡则可以用 GPU 加速提升处理效率。原项目还给出了 20 秒音频的转录延迟参考：在高端 CPU 环境下，轻量模型约 0.6 秒、较强模型约 2 到 4 秒；在显卡环境下可进一步压到 0.15 到 1 秒左右，这些数字是作者测试环境的参考值，不是每台机器的承诺。
热词、正则与数字转换：把专有名词说准
通用语音识别最容易栽在专有名词上，这款工具给了三层补救。第一层是热词替换：在 hot.txt 里记下偏僻词，程序通过音素模糊匹配，相似度超过阈值就强制替换，软件名、人名、公司名、技术术语都适用。第二层是正则替换：在 hot-rule.txt 里用正则或简单等号规则做精准替换。第三层是数字转换：语音里的“十五六个”会自动转成“15~16 个”，并支持各种复杂数字格式，写稿和做数据记录时很省事。另外它还预置了润色、小助理等 LLM 角色，识别结果开头匹配某个角色名时，会交由对应角色处理；所有语音都会保存为本地音频文件，并按日期归档成语音日记，不上传云端。
上手四步
第一步，确认环境：目前主要保证在 Windows 10/11 64 位系统下运行，先装好 VC++ 运行库，需要文件转录的话再装 FFmpeg。第二步，下载程序主体，再去模型发布页下载模型压缩包，解压到对应的 models 文件夹中。第三步，依次运行服务端与客户端启动程序，两者启动后都会最小化到托盘菜单运行。第四步，打开任意可以输入文字的软件——浏览器、Word、聊天窗口、Markdown 编辑器都可以——把光标放到输入位置，按住 CapsLock 或鼠标侧键 X2 开始讲话，松开即完成输入。服务端与客户端分离的设计还有一个附带好处：老电脑跑不动服务端模型时，至少还能用客户端输入。
适合谁、要注意什么
最适合 Windows 用户中经常需要输入大量文字的人：写作者、开发者、办公用户都算。完全离线是它最大的卖点，尤其适合输入内容涉及个人资料、工作内容或敏感信息的场景。但也要注意边界：它目前主要面向 Windows，macOS 因底层键盘库与系统限制暂时无法支持；模型文件需要单独下载解压，第一次上手要多花几分钟准备环境。如果你是 Mac 用户，这篇可以直接跳过，不用勉强。
关注「软件教程管家」
回复软件名即取即下：网盘下载链接 + 提取码，一步直达，不用再跳转。
本站资源仅供个人学习交流，请勿用于商业用途。软件与资料版权归原作者所有；如有侵权，请通过公众号「软件教程管家」联系我们，我们将在 24 小时内下架处理。查看免责声明 ›
