🔗 GitHub：p3nchan/whisperpen
打字很快，但说话更快。
Windows 上的语音输入选择不太理想：
- Windows 内置语音识别：识别率堪忧，中英混杂几乎不能用
- Typeless：月费 NT$300+，而且要上传音频文件到他们的服务器
- SayIt：免费但依赖 Groq API，有用量限制
理想的版本很简单：按一个键开始说话，再按一下停止，文字自动出现。不用付钱、不用上网、不用担心隐私。
WhisperPen 为了这个需求而生。
它是什么
WhisperPen 是一个极简的 Windows 语音输入工具。按下快捷键说话，放开后文字自动复制到剪贴板。
核心很简单：
- 麦克风录音 → 音频文件
- Whisper 识别 → 把音频文件转成文字（跑在 GPU 上）
- 复制到剪贴板 → 贴到任何想要的地方
整个过程不到 1 秒（短句），而且完全离线。
为什么选择本地跑
「直接用云 API 不是更方便吗？」
看数字：
| 方案 | 月费 | 隐私 | 延迟 | 离线 |
|---|---|---|---|---|
| Typeless | NT$300+ | 音频文件上传 | 1-3 秒 | ❌ |
| SayIt (Groq) | 免费（有限额） | 音频文件上传 | <1 秒 | ❌ |
| WhisperPen | 免费 | 完全本地 | <1 秒 | ✅ |
只要有一张 NVIDIA 显卡（GTX 1660 以上），这台电脑已经有能力做到云 API 做的事。差别在于有没有人把它包装成好用的工具。
中英混杂：台湾人的痛点
在台湾写技术文章，中英混杂是日常。「想用 Claude Code 的 API 来做 deployment」这种句子，很多语音工具会把英文部分搞得一团糟。
WhisperPen 用的是 OpenAI 的 Whisper Large V3 Turbo 模型。在 WhisperPen 中实测中英混杂的识别结果：
| 测试内容 | 识别时间 | 结果 |
|---|---|---|
| 纯中文（「今天天气不错，想去公园散步」） | 1.58 秒 | ✅ 完美 |
| 中英混杂（「Claude Code API deployment」） | 0.50 秒 | ✅ 全对 |
| 技术名词（「Polymarket, Whisper, RTX 3080」） | 0.66 秒 | ✅ 全对 |
WhisperPen 会自动把半形标点转成全形（, → ，、? → ？），省去手动修正的麻烦。
怎么用
安装（5 分钟）
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第一次执行会自动下载模型（约 1.5GB），之后就不需要网络了。
启动
python whisperpen/main.py或者用 pythonw（无窗口背景执行）：
start /b pythonw whisperpen/main.py
启动后会在系统列出现一个麦克风图示。录音时变红色，平时灰色。
使用
- 按 Alt+A → 开始录音
- 说想打的内容
- 再按 Alt+A → 停止 → 文字自动进剪贴板
- 在任何地方 Ctrl+V 贴上
就这样。没有更多步骤了。
进阶：LLM 帮你整理口语
说话跟打字有一个根本差异：说话时会加很多赘词。
「嗯……那个，我觉得就是，这个功能应该要……然后放在那个什么的地方」
Whisper 会忠实地把这些全部转出来。要干净的文字，WhisperPen 可以选择性地把转写结果送给本地的 LLM（透过 Ollama）做整理：
「我觉得这个功能应该放在特定的位置」
在 config.yaml 里打开：
refine:
enabled: true
ollama_url: "http://localhost:11434"
model: "qwen2.5:7b"这一步也是完全本地的。Ollama 跑在用户自己的电脑上。不想要的话，右键点系统列图示就能关掉。
显卡需求
不需要顶级显卡。Whisper Large V3 Turbo 模型只用了约 2GB 显存：
| 配置 | 显存使用 | 可行性 |
|---|---|---|
| RTX 3080 (10GB) | 2.3GB (23%) | ✅ 绰绰有余 |
| RTX 3060 (12GB) | ~2.3GB | ✅ 没问题 |
| GTX 1660 (6GB) | ~2.3GB | ✅ 应该可以 |
| GTX 1050 (4GB) | ~2.3GB | ⚠️ 可能偏紧 |
需要更高的识别准确度，可以换成完整的 large-v3 模型（约 4GB 显存），但会慢 2-3 倍。对大多数场景来说，large-v3-turbo 的速度和准确度平衡最好。
设置档
所有设置都在 config.yaml，改完自动生效（不用重启）：
hotkey: "alt+a" # 快捷键
model_size: "large-v3-turbo" # 模型大小
language: "zh" # 主要语言
auto_paste: true # 自动贴上
paste_keys: ["ctrl", "v"] # 贴上快捷键开源
WhisperPen 是开源的，MIT 授权。整个程序不到 400 行 Python，结构清楚：
whisperpen/
main.py # 系统列 + 快捷键
recorder.py # 麦克风录音
transcriber.py # Whisper GPU 推理
refiner.py # Ollama 文字整理
paster.py # 剪贴板 + 自动贴上
config.py # YAML 设置载入欢迎 fork、改造、提 issue。
🔗 GitHub：p3nchan/whisperpen
延伸阅读
小企鹅的经验
WhisperPen 是自家做的工具，动机很单纯：Windows 上想要按一个键就把语音转成文字，又不想付月费、不想把音频文件送云。实测在 RTX 3080 上跑 Whisper Large V3 Turbo，短句识别不到 1 秒，中英混杂也吃得下来。没有 NVIDIA 显卡的场合，目前主要使用方式是 iPhone 录音 app + NotebookLM 输出转录稿，这条路免费但流程比 WhisperPen 多两步。
常见问题
Q: WhisperPen 需要网络吗？
不需要。所有处理都在电脑上完成，音频文件不会上传到任何云服务。
Q: 需要什么显卡才能跑？
任何支持 CUDA 的 NVIDIA 显卡都行。实测 RTX 3080 只用了 2GB 显存，所以 GTX 1660 以上应该都可以。
Q: 支持哪些语言？
Whisper 支持 99 种语言。WhisperPen 默认繁体中文，可以在设置档改成任何语言。中英混杂也能识别。
Q: 跟 SayIt 或 Typeless 有什么不同？
SayIt 和 Typeless 都依赖云 API（Groq 或自有服务器）。WhisperPen 完全本地，不需要 API key，不需要付费，也没有用量限制。
整理：Penna｜小企鹅 Penchan