🔗 GitHub：p3nchan/whisperpen
打字很快，但說話更快。
Windows 上的語音輸入選擇不太理想：
- Windows 內建語音辨識：辨識率堪憂，中英混雜幾乎不能用
- Typeless：月費 NT$300+，而且要上傳音檔到他們的伺服器
- SayIt：免費但依賴 Groq API，有用量限制
理想的版本很簡單：按一個鍵開始說話，再按一下停止，文字自動出現。不用付錢、不用上網、不用擔心隱私。
WhisperPen 為了這個需求而生。
它是什麼
WhisperPen 是一個極簡的 Windows 語音輸入工具。按下快捷鍵說話，放開後文字自動複製到剪貼簿。
核心很簡單：
- 麥克風錄音 → 音檔
- Whisper 辨識 → 把音檔轉成文字（跑在 GPU 上）
- 複製到剪貼簿 → 貼到任何想要的地方
整個過程不到 1 秒（短句），而且完全離線。
為什麼選擇本地跑
「直接用雲端 API 不是更方便嗎？」
看數字：
| 方案 | 月費 | 隱私 | 延遲 | 離線 |
|---|---|---|---|---|
| Typeless | NT$300+ | 音檔上傳 | 1-3 秒 | ❌ |
| SayIt (Groq) | 免費（有限額） | 音檔上傳 | <1 秒 | ❌ |
| WhisperPen | 免費 | 完全本地 | <1 秒 | ✅ |
只要有一張 NVIDIA 顯卡（GTX 1660 以上），這台電腦已經有能力做到雲端 API 做的事。差別在於有沒有人把它包裝成好用的工具。
中英混雜：台灣人的痛點
在台灣寫技術文章，中英混雜是日常。「想用 Claude Code 的 API 來做 deployment」這種句子，很多語音工具會把英文部分搞得一團糟。
WhisperPen 用的是 OpenAI 的 Whisper Large V3 Turbo 模型。在 WhisperPen 中實測中英混雜的辨識結果：
| 測試內容 | 辨識時間 | 結果 |
|---|---|---|
| 純中文（「今天天氣不錯，想去公園散步」） | 1.58 秒 | ✅ 完美 |
| 中英混雜（「Claude Code API deployment」） | 0.50 秒 | ✅ 全對 |
| 技術名詞（「Polymarket, Whisper, RTX 3080」） | 0.66 秒 | ✅ 全對 |
WhisperPen 會自動把半形標點轉成全形（, → ，、? → ？），省去手動修正的麻煩。
怎麼用
安裝（5 分鐘）
git clone https://github.com/p3nchan/whisperpen.git
cd whisperpen
python -m venv venv
venv\Scripts\activate
pip install -r requirements.txt
cp config.example.yaml config.yaml第一次執行會自動下載模型（約 1.5GB），之後就不需要網路了。
啟動
python whisperpen/main.py或者用 pythonw（無視窗背景執行）：
start /b pythonw whisperpen/main.py
啟動後會在系統列出現一個麥克風圖示。錄音時變紅色，平時灰色。
使用
- 按 Alt+A → 開始錄音
- 說想打的內容
- 再按 Alt+A → 停止 → 文字自動進剪貼簿
- 在任何地方 Ctrl+V 貼上
就這樣。沒有更多步驟了。
進階：LLM 幫你整理口語
說話跟打字有一個根本差異：說話時會加很多贅詞。
「嗯……那個，我覺得就是，這個功能應該要……然後放在那個什麼的地方」
Whisper 會忠實地把這些全部轉出來。要乾淨的文字，WhisperPen 可以選擇性地把轉寫結果送給本地的 LLM（透過 Ollama）做整理：
「我覺得這個功能應該放在特定的位置」
在 config.yaml 裡開啟：
refine:
enabled: true
ollama_url: "http://localhost:11434"
model: "qwen2.5:7b"這一步也是完全本地的。Ollama 跑在使用者自己的電腦上。不想要的話，右鍵點系統列圖示就能關掉。
顯卡需求
不需要頂級顯卡。Whisper Large V3 Turbo 模型只用了約 2GB 顯存：
| 配置 | 顯存使用 | 可行性 |
|---|---|---|
| RTX 3080 (10GB) | 2.3GB (23%) | ✅ 綽綽有餘 |
| RTX 3060 (12GB) | ~2.3GB | ✅ 沒問題 |
| GTX 1660 (6GB) | ~2.3GB | ✅ 應該可以 |
| GTX 1050 (4GB) | ~2.3GB | ⚠️ 可能偏緊 |
需要更高的辨識準確度，可以換成完整的 large-v3 模型（約 4GB 顯存），但會慢 2-3 倍。對大多數場景來說，large-v3-turbo 的速度和準確度平衡最好。
設定檔
所有設定都在 config.yaml，改完自動生效（不用重啟）：
hotkey: "alt+a" # 快捷鍵
model_size: "large-v3-turbo" # 模型大小
language: "zh" # 主要語言
auto_paste: true # 自動貼上
paste_keys: ["ctrl", "v"] # 貼上快捷鍵開源
WhisperPen 是開源的，MIT 授權。整個程式不到 400 行 Python，結構清楚：
whisperpen/
main.py # 系統列 + 快捷鍵
recorder.py # 麥克風錄音
transcriber.py # Whisper GPU 推理
refiner.py # Ollama 文字整理
paster.py # 剪貼簿 + 自動貼上
config.py # YAML 設定載入歡迎 fork、改造、提 issue。
🔗 GitHub：p3nchan/whisperpen
延伸閱讀
小企鵝的經驗
WhisperPen 是自家做的工具，動機很單純：Windows 上想要按一個鍵就把語音轉成文字，又不想付月費、不想把音檔送雲端。實測在 RTX 3080 上跑 Whisper Large V3 Turbo，短句辨識不到 1 秒，中英混雜也吃得下來。沒有 NVIDIA 顯卡的場合，目前主要使用方式是 iPhone 錄音 app + NotebookLM 輸出逐字稿，這條路免費但流程比 WhisperPen 多兩步。
常見問題
Q: WhisperPen 需要網路嗎？
不需要。所有處理都在電腦上完成，音檔不會上傳到任何雲端服務。
Q: 需要什麼顯卡才能跑？
任何支援 CUDA 的 NVIDIA 顯卡都行。實測 RTX 3080 只用了 2GB 顯存，所以 GTX 1660 以上應該都可以。
Q: 支援哪些語言？
Whisper 支援 99 種語言。WhisperPen 預設繁體中文，可以在設定檔改成任何語言。中英混雜也能辨識。
Q: 跟 SayIt 或 Typeless 有什麼不同？
SayIt 和 Typeless 都依賴雲端 API（Groq 或自有伺服器）。WhisperPen 完全本地，不需要 API key，不需要付費，也沒有用量限制。
整理：Penna｜小企鵝 Penchan