主界面 — 统计数据与快捷操作
外观配置 — 多主题切换与悬浮窗自定义
诊断面板 — 实时运行状态与连接检测
在 AI 时代，模型的输出 Token 速度越来越快，人却受限于打字速度。特别是和 AI 对话时，说话是非常自然和高效的方式。
我最开始用的是 Typeless，体验确实很好，Typeless 也开启了全民 VibeCoding 语音输入法的时代😁。但用了一段时间发现：价格太贵，AI 润色的 Prompt 不能自定义，有时候我并不想要那么格式化的整理，Typeless 的 AI 整理功能相对激进。
看了一下市面上其他 VibeCoding 出来的语音输入工具，大部分都是个人使用为主，很少有面向团队和企业内部使用的。所以我想做一个既适合个人使用，又可以给团队和企业内部部署的语音输入工具——Prompt 完全可控，部署方式灵活，数据流向透明。
语音输入的核心就两个技术：语音识别（ASR） 和 AI 文本润色。我基本上测试了市面上开源和闭源的各大语音识别模型，个人大体排名是：
豆包 > Typeless ≈ Qwen3-ASR > FunASR-Nano2512 >= FireRedASR2 > Whisper
中文语音识别，豆包实际测试效果非常好，用手机上的豆包输入法就能很好地感受出来。豆包悄悄话的识别是断层领先的——我很多场景都是小声说话，毕竟工位上也不太好和 AI 大声聊天。
SayIt 后端部署使用的是 Qwen3-ASR，效果仅次于豆包，开源模型里算是最好的选择。如果是自己部署后端在公司内部使用，我使用 vLLM 为 Qwen-ASR 的推理速度做了优化，能够更快的进行推理识别。
我大大低估了 VibeCoding 想要产品化的难度。这个软件最初的形态大概 2~3 天就弄出来了，但想要公开给大家使用，耗费了 x50 倍的时间和精力。软件叫什么名字、Logo 怎么设计、前端样式是否好看、用户如何提交反馈、如何捕获报错信息、服务器端多用户多并发、如何加快识别速度……每一个场景都是可以持续优化。
这是一个开源项目，我没有准备用它盈利。做这个纯粹是我个人对语音输入的需求很强，而且现在 AI 极大地放大了个人的能力。如果你觉得这个产品好用，可以点一个 ⭐ Star，这会激励我继续维护这个项目，或者在软件主页给我反馈。
大部分用户直接下载客户端即可，无需任何配置。
安装后默认连接我提供的公共服务器，开箱即用。服务器端的 AI 使用的是 Groq 提供的 OpenAI 120B 模型，会有免费的请求限制。
也可以先通过 网页版 Demo 快速体验 ASR 的识别速度和效果，无需安装任何东西。
| 模式 | 适合谁 | 需要什么 |
|---|---|---|
| 服务器模式（默认） | 快速体验 | 无需配置，连接公共服务器 |
| 云 API 模式 | 个人用户长期使用 | 自己的 ASR + AI API Key |
| 自部署服务器 | 团队 / 企业内部 | 一台带 GPU 的服务器 |
下载即用。客户端默认连接公共体验服务器，适合快速感受效果。
不需要服务器，客户端直接调用云端服务。对于个人用户来说：
- 语音识别：申请一个豆包 ASR API 就能获得最好的中文识别效果
- AI 润色：推荐 DeepSeek deepseek-v4-flash，速度快价格便宜
每月成本约几元钱。详见配置文档：
适合对数据隐私有要求、或需要内网部署的场景。使用 Qwen3-ASR 1.7B 模型在 GPU 服务器上进行本地推理：
git clone https://github.com/crosswk/SayIt.git
cd SayIt/server
cp config.example.yaml config.yaml
cp .env.example .env
# 编辑 .env 填入配置
# Docker 部署（推荐）
docker compose up -d --build
# 或直接运行
pip install -r backend/requirements.txt
cd backend && uvicorn app.main:app --host 0.0.0.0 --port 8000需要 NVIDIA GPU（≥16GB 显存）。
测试环境：AWS EC2 g5.xlarge（NVIDIA A10G 24GB, 4 vCPU, 16GB RAM），模型 Qwen3-ASR-1.7B + vLLM 推理。
| 音频时长 | ASR 延迟 | RTF |
|---|---|---|
| 30s | ~0.8s | 0.025 |
| 1 min | ~1.6s | 0.026 |
| 2 min | ~2.1s | 0.017 |
| 3 min | ~2.5s | 0.014 |
| 5 min | ~3.0s | 0.010 |
- 全局语音输入 — 在任何应用中按下快捷键即可口述，文字自动插入光标位置
- AI 智能润色 — 口语自动转书面语，去口癖、纠错、分段，Prompt 完全可自定义
- 多种语音识别 — 豆包 ASR、千问 ASR、本地离线识别（sherpa-onnx）
- 热词增强 — 自定义专业术语词表，提升识别准确率
- 悬浮窗反馈 — 录音状态、波形动画、处理进度实时可见
- 历史记录 — 所有转录结果本地保存，支持搜索和收藏
- 隐私可控 — 支持完全自部署，数据流向透明
SayIt/
├── client/ # 桌面客户端（Tauri + React + Rust）
│ ├── src/
│ │ ├── components/ # 通用 UI 组件
│ │ ├── features/ # 功能模块（设置、自动更新）
│ │ ├── overlay/ # 悬浮窗（独立窗口，波形动画）
│ │ ├── pages/ # 页面（首页、历史、设置）
│ │ ├── services/ # 核心服务（录音、转写、存储）
│ │ └── types/ # TypeScript 类型定义
│ └── src-tauri/
│ └── src/ # Rust 后端（键盘钩子、系统集成、SQLite）
├── server/ # 后端服务（FastAPI + GPU 推理）
│ ├── backend/app/ # FastAPI 应用（ASR、LLM、WebSocket、Admin）
│ ├── gateway/ # HTTPS 反向代理（Node.js）
│ ├── web/ # 网页版（落地页、Demo、Admin 面板）
│ ├── prompts/ # LLM 提示词 + 热词
│ ├── releases/ # 客户端安装包 + 自动更新配置
│ ├── docker-compose.yml # 一键部署
│ └── config.example.yaml # 配置模板
└── docs/ # 用户文档
| 层 | 技术 |
|---|---|
| 桌面客户端 | Tauri v2、React、TypeScript、Tailwind CSS |
| 客户端系统集成 | Rust（全局键盘钩子、剪贴板、SQLite） |
| 后端服务 | Python、FastAPI、WebSocket |
| 语音识别 | Qwen3-ASR + vLLM / 豆包 ASR / 千问 ASR / sherpa-onnx |
| AI 润色 | DeepSeek / 通义千问 / Azure OpenAI / Ollama |
| 部署 | Docker Compose、NVIDIA Container Toolkit |
| 开发 | 整个项目使用 Claude Opus 4.6 开发 |
cd client
npm install
npm run tauri dev前置要求：Node.js 18+、Rust 1.75+
cd server
python3 -m venv .venv && source .venv/bin/activate
pip install -r backend/requirements.txt
cd backend && uvicorn app.main:app --port 8000前置要求：Python 3.10+、NVIDIA GPU + CUDA
欢迎提交 Bug 报告和功能建议！请阅读 贡献指南。
 crosswk |
 Claude (Anthropic) |
|---|
GNU Affero General Public License v3.0
你可以自由使用、修改和自部署 SayIt。如果你分发修改版本或将其作为网络服务运行，需要以相同许可证公开源代码。