把电脑调成静音它照样出字幕聊聊这款完全离线的 Windows 实时语音转文字工具【免费下载链接】TMSpeech腾讯会议摸鱼工具项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech把电脑音量调成静音屏幕上还能同步冒出字幕——这不是科幻片而是开源工具TMSpeech的日常。它是一款完全离线的 Windows 实时语音转文字工具能把系统里正在播放的每一句话变成像歌词一样悬浮在屏幕上的实时字幕。这篇文章不想按功能清单一项项念给你听而是从一个反常识的现象出发看看它凭什么做到别人做不到的事。一个反常识的现象静音了它凭什么还听得见先把声音在电脑里的旅程捋清楚。播放器把音频数据交给系统混音器混音器混好之后传给声卡驱动最后才由声卡把数据变成声波送到扬声器。我们平时说的静音把音量拉到最小关掉的其实是这条流水线最后那个出口——数据照样在管线里跑只是不再对外播放。TMSpeech 用的 WASAPI 的 CaptureLoopback 技术相当于在这条管线中途开了一个旁路水龙头趁声音还没到出口就原样复制一份拿去识别。所以就算你静音、关掉扬声器只要系统还在播放它就接得到完整的音频流。这也是我目前见过的 Windows 离线语音识别工具里少有的敢把静音可识别当成卖点的软件。这个设计还顺带带来一个容易被忽略的好处它抓取的是系统内的原始音频而不是外放之后的环境声。你在嘈杂的办公室外放视频它依然能拿到干净的声音不会把同事的聊天和键盘声混进识别结果。至于隐私更不用多虑。从采集、识别到显示整条链路都在这一台电脑里闭环跑完没有任何一环需要把音频上传到服务器。换句话说离线不是 TMSpeech 的宣传话术而是这套架构的必然结果——数据根本没出过门自然谈不上泄露。把它放进一天的工作里看看它到底能顶几个角色光说原理有点抽象我们用一个普通工作日的三个场景来感受一下。上午九点线上会议会开完重点也记完了参加线上例会时打开 TMSpeech 选择系统音频捕获会议软件里每个人说的话就实时变成了字幕。散会之后打开历史记录窗口按时间轴一条条核对右键复制重点段落一份会议纪要的草稿就有了。如果你开的是跨国项目会还可以在设置里挂上中英双语模型对方讲英文时屏幕直接出双语对照再也不用一边听一边疯狂做笔记。下午三点一节外教网课实时字幕帮你听译听课是最吃字幕的场景。以前要反复暂停、回听、猜发音现在老师讲一句屏幕上跟一句。遇到没听懂的地方看一眼字幕就能定位到那几秒点开历史记录把对应段落复制到笔记里就行。这里有个小技巧历史记录是按时间排列的而不是像普通录音那样只能盲听回放。找知识点、补笔记、复习回顾都比重新听一遍音频快得多。晚上十点剪视频字幕这块硬骨头终于松动了做视频最磨人的不是剪辑是配字幕。TMSpeech 可以一边播放素材一边实时出字幕你照着屏幕把文字抄进剪辑软件再手动修掉少数识别错误比对着音频逐句听写省出大量时间。做直播或者录播课的人也可以把它当成一块免费的实时字幕板。识别引擎三选一按电脑配置对号入座语音识别有很多实现路径TMSpeech 把选择权交给了你内置三种引擎引擎运行方式响应速度适合的机器Sherpa-NcnnGPU 加速200ms有独立显卡的电脑Sherpa-Onnx纯 CPU300ms普通办公本、轻薄本命令行识别器调用外部程序看程序本身爱折腾的开发者简而言之显卡好就选第一个求省事就选第二个想接入自己熟悉的识别服务就选第三个。三种引擎在设置界面里随时切换不用重装任何东西。模型方面识别引擎本身不携带语言能力还需要搭配语音模型使用。好在 TMSpeech 在设置界面的资源页里把安装步骤做到了点一下按钮的程度中文、英文、中英双语三个模型选好对应语言的即可。给开发者的补充命令行识别器本质是启动一个子进程用 UTF-8 编码读取输出。约定很简单——单个\n表示更新当前句多个\n\n表示整句识别结束。这个协议允许模型在后面的识别中纠正前面的结果对体验影响很大值得细看。跑起来到底费不费资源数据比感觉更靠谱实时语音识别听起来很吃配置实际用下来却相当克制。官方性能参考大致是这样模式CPU 占用内存占用GPU 加速模式2%–3%80–100MBCPU 模式4%–5%100–120MB命令行模式1%–2%60–80MB说人话就是它占用的资源比开一个浏览器标签页还少。一台 4GB 内存的普通办公本跑起来也毫无压力完全不用为了它去升级硬件。响应速度方面GPU 模式不到 200msCPU 模式也不到 300ms人眼看起来就是话刚说完字幕就出来了。识别准确率当然达不到 100%但作为实时辅助、纪要底稿、字幕草稿这个体验已经非常够用。它更像一盒乐高而不是一台封闭的机器用过很多开箱即用的语音工具之后你会发现它们最难受的一点就是不好用也想换引擎想改点什么却无从下手。TMSpeech 走了另一条路——把整个软件拆成可以自由拼装的模块。音频从哪来、由谁识别、结果显示成什么样分别由三个独立插件负责音频采集插件管输入识别引擎插件管转换结果显示插件管展示。它们之间靠事件驱动衔接数据流大致是音频设备 → 识别器 → 结果展示 → 历史记录这么一条链。这里藏着第二个冷知识因为模块是松耦合的某个环节出问题不会拖垮整个软件。比如识别器进程卡住了字幕显示和历史记录功能依然活着不会一起陪葬。打个比方这就像家里的电路分了好几路一路跳闸其他房间照样有电。配置系统也值得一提。它分为默认配置、用户配置和运行时配置三层默认层提供稳妥的初始设置用户层保存你的个性化偏好运行时层管当前会话的状态而且支持热更新——改完设置不用重启软件。给开发者的补充想接入自己的方案核心是IAudioSource音频源、IRecognizer识别器、ITranslator翻译器三个接口每个插件还有对应的动态表单配置编辑器配置项可以直接在 UI 里生成。插件核心代码在 src/TMSpeech.Core/官方文档在 docs/Process.md照着接口写基本就能跑起来。三分钟跑起来从下载到第一行字幕想亲身体验的话流程比你想的短得多拉取源码自行编译或直接下载发布版本git clone https://gitcode.com/gh_mirrors/tm/TMSpeech启动后在音频源里选一个输入方式听会议、看视频选系统音频捕获自己想口述记录就选麦克风。在资源页装一个语音模型中文、英文或中英双语。回到主界面点开始屏幕上立刻滚出第一行实时字幕。整个配置过程基本不需要懂技术识别引擎也先用默认的 CPU 模式即可跑顺了再折腾 GPU 加速和命令行识别器也不迟。写在最后实时语音转文字的需求一直存在但既要本地隐私、又要低门槛、还要能折腾这三个条件同时满足的工具并不多。TMSpeech 最打动我的是它把离线这件事做成了架构的天然属性而不是一个需要额外付费的功能开关。既然代码是开源的数据是本地的那还有什么理由不下载下来亲手试一次呢【免费下载链接】TMSpeech腾讯会议摸鱼工具项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考