Windows 本地 AI 语音输入法 | Offline Speech-to-Text | 离线语音转文字
Aria 是一个 Windows 本地语音输入工具。基于 Qwen3-ASR，语音识别在本地完成。支持热词纠错、屏幕上下文感知、AI 语义纠错、三档润色风格、语音指令、语音截图等功能。
- 屏幕感知增强 — 说话时自动 OCR 读取当前屏幕内容，让 AI 理解你正在使用的场景，纠正人名、专业术语、医学/化学名词、3D/编程术语等同音错字
- 热词纠错 — 在热词表中添加你常用的专有名词、人名、术语，ASR 识别时自动偏向这些词，同音字错误通过拼音匹配自动纠正；屏幕反复出现的专名还可自动学习为热词（默认关闭，可在设置开启）
- 三档润色风格 — 逐字保真 / 顺畅口语 / 结构化文档，一键切换口述整理强度；对命令行口述自动保持单行并去除口头禅
- 三档收音模式 — 正常 / 嘈杂 / 轻语，悬浮球菜单一键切换：嘈杂环境强化拒噪，夜间小声说话自动增益
- 语音操作选区 — 选中文字后语音触发翻译、润色、总结、扩写、改写、AI 回复等操作，结果弹窗展示或直接替换
- 语音指令 — 在设置里统一管理唤醒词、内置指令和“我的语音指令”。说“唤醒词 + 指令短语”即可打开软件、文件夹、网页或 Windows 常用入口；常用预设可一键导入，近音匹配只作用于已配置的个人指令，不需要加入全局热词
- 语音截图 — 说一句话完成全屏 / 区域截图，自动存文件并复制到剪贴板，区域截图还能一键钉在桌面置顶
- 语音提醒和记录 — 语音设置定时提醒（如"提醒我五分钟后喝水"），语音记录想法和灵感
- 持续监听模式 — 按一次快捷键开启，Aria 持续监听并自动识别输入，再按一次关闭，无需按住说话
- 便携免安装 + 自动更新 — 解压即用，GPU 加速 / 无 GPU 自动回退 CPU；内置静默自动更新，升级自动保留个人配置与已下载模型
| 版本 | 大小 | 说明 | 链接 |
|---|---|---|---|
| 精简版 (Lite) | ~2 GB | 首次启动自动下载 ASR 模型 | GitHub Releases |
| 完整版 (Full) | ~6 GB | 内置 ASR 模型，解压即用（网盘包版本更新中，最新功能请优先使用精简版） | 百度网盘 提取码 34ti · 夸克网盘 |
- 下载并解压
- 双击
Aria.exe - 按
`（反引号键）开启语音输入 - 对着麦克风说话，文字自动输入到当前光标位置
- 再按一次
`关闭
Aria 不配置 API 也能离线输入；但如果你经常说人名、专业名词、代码/3D/医学/化学术语，建议开启 DeepSeek API 润色：
- 右键托盘图标 → 设置 → API
- 点击 一键填入 DeepSeek 推荐配置
- 粘贴你的 DeepSeek API Key
- 点击 测试主 API，成功后点击 保存 API 设置
- 在 高级设置 里确认 屏幕感知 已勾选，并勾选 屏幕感知增强（默认关闭，开启后术语纠错效果最佳）
开启后，Aria 会把当前屏幕 OCR 作为动态上下文交给 AI 润色层：例如屏幕在 Blender/医学病历/HPLC 方法页时，即使目标词没有逐字出现在屏幕上，也会根据场景和读音把“发现贴图”纠成“法线贴图”、把“甲安蝶令”纠成“甲氨蝶呤”。API 超时或失败时会自动回退，不影响基础输入。
git clone https://github.com/Xingxun7777/Aria.git
cd Aria
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
copy config\hotwords.template.json config\hotwords.json
Aria_debug.bat- ASR 引擎 — 默认 Qwen3-ASR（支持 52 种语言），备用 FunASR（中文）
- GPU 自动适配 — 按显存自动选择 1.7B 全模型（约 5 GB+ 显存）或 0.6B 轻量模型；检测到显卡被游戏 / 渲染占用时自动改用 CPU 识别，不抢显卡
- 屏幕上下文 — 高质量模式把 OCR 交给 AI 润色层做柔性纠错；快速模式只把已缓存的低风险屏幕关键词交给 ASR，不等待 OCR
- 近期上下文 — 最近 10 条识别结果作为跨语段上下文，提升连续对话准确率
- 热词纠错 — 正则替换 + 拼音模糊匹配 + 可选 AI 润色，每个热词可设权重
- 实时字幕 — 说话时毛玻璃面板显示中间识别结果
- 噪声过滤 — 自动过滤环境噪声产生的无意义文字
- 三档润色风格 — 逐字保真（默认，只修错字标点）/ 顺畅口语（去口头禅、保留原话结构）/ 结构化文档（长段口述自动分段、整理列表），设置页一键切换
- 终端保护 — 检测到命令行 / 终端时自动保持单行输出并去除口头禅，不会触发意外命令
- 屏幕感知增强（可选，需配置 API）— 自动 OCR 当前屏幕，让模型先理解使用场景再纠正 ASR 原文，支持“屏幕没有直接出现目标词，但场景强相关”的专业术语纠错；不把屏幕文字硬塞进无关句子
- 屏幕识别策略三档 — 关闭 / 仅自动学习 / 开启 OCR，按需平衡纠错效果与 API 用量
- 支持个性化润色规则；高级用户可配置 GGUF 模型实现离线润色
- API 超时或失败时自动回退原文，不影响基础输入
选中文字后，说唤醒词 + 命令：
| 命令 | 效果 |
|---|---|
| 润色 / 优化 | 提升文字表达质量 |
| 翻译成英文 / 中文 / 日文 | 替换为对应语言翻译 |
| 扩写 / 展开 | 增加细节和深度 |
| 缩写 / 精简 | 保留核心信息 |
| 重写 / 改写 | 换种表达方式 |
| 什么意思 | 弹窗翻译（不替换原文） |
| 总结一下 | 弹窗显示摘要 |
| 帮我回复 | AI 生成回复建议 |
| 问 AI | 打开 AI 对话窗口 |
| 帮我打开 | 打开选中的路径或 URL |
| 记一下 + 内容 | 记录想法 |
| 提醒我 + 时间 + 内容 | 设置定时提醒 |
弹窗支持拖拽移动、固定、一键复制、一键插入。
| 命令 | 效果 |
|---|---|
| [唤醒词] 开启/关闭自动发送 | 控制识别后是否自动按回车 |
| [唤醒词] 休眠 / 醒来 | 暂停/恢复语音监听 |
| [唤醒词] 深度休眠 | 卸载 ASR 模型，释放显存 |
| [唤醒词] 发送/删除/复制/粘贴/保存 | 对当前窗口发送常用快捷键 |
| [唤醒词] 截图 / 截屏 | 全屏截图，存文件并复制到剪贴板 |
| [唤醒词] 区域截图 | 框选截图，工具栏可一键钉在桌面（置顶贴图） |
| [唤醒词] + 我的语音指令 | 执行设置中的个人启动指令，如「小助手打开我的电脑」 |
唤醒词、内置指令指南和我的语音指令可在 设置 → 语音指令 中统一查看/配置。页面提供“我的电脑、资源管理器、下载文件夹、系统/声音设置、计算器、记事本、截图工具”等常用预设；预设只有导入并保存后才会生效，不会污染全局识别热词。
- 所有语音输入、翻译、润色结果自动存储
- 历史浏览器：按日期、类型、关键词查找
- 支持导出为 Markdown
- 自动清理过期记录（默认 90 天）
- 三档收音模式 — 正常 / 嘈杂 / 轻语（悬浮球菜单切换），麦克风音量可调并按模式分别记忆
- 备用 API 轮询 — 配置主/备 API，连续慢响应自动切换，悬浮球菜单实时显示当前线路
- 用量统计 — 设置页可视化展示 API 调用次数、token 用量与估算费用
- 自动更新 — 后台静默检查下载、校验后重启换入，升级自动保留个人配置、历史数据与已下载模型
- 管理员快捷方式 — 高权限程序注册后可免 UAC 语音启动（设置中注册，含风险提示）
- Typewriter 模式 — 逐字输入，兼容游戏和管理员权限应用
- 配置热重载 — 修改配置后自动生效，无需重启
- 开机自启 — 注册表方式，支持便携模式
- HF 镜像 — 中国用户默认使用 hf-mirror.com 下载模型
| 项目 | 最低 | 推荐 |
|---|---|---|
| 操作系统 | Windows 10 64 位 | Windows 11 |
| Python | 3.12 | 3.12 |
| 内存 | 8 GB | 16 GB |
| 显卡 | 无（CPU 可用） | NVIDIA GTX 16xx+（4 GB 显存） |
内置 CUDA 12.8 的 PyTorch，无兼容 GPU 时自动回退 CPU 模式。
GPU 兼容性详情
| GPU 系列 | 架构 | 支持 |
|---|---|---|
| RTX 40xx / 50xx | Ada / Blackwell | 完全支持 |
| RTX 30xx | Ampere | 完全支持 |
| RTX 20xx / GTX 16xx | Turing | 支持 |
| GTX 10xx | Pascal | 自动 CPU 回退 |
| 无 NVIDIA GPU | — | CPU 模式 |
配置文件：config/hotwords.json（首次运行自动从模板创建，保存后自动热重载）。
常用配置项：
| 字段 | 说明 | 默认值 |
|---|---|---|
asr_engine |
识别引擎 | qwen3 |
general.hotkey |
全局热键 | ` |
polish_style |
润色风格（verbatim 逐字保真 / smooth 顺畅口语 / structured 结构化） |
verbatim |
polish_mode |
润色模式（配置 API Key 并开启后才生效） | quality |
polish.api_url |
API 地址 | https://api.deepseek.com |
polish.model |
API 模型 | deepseek-chat |
vad.screen_ocr |
屏幕感知 | true |
vad.screen_ocr_polish |
屏幕感知增强（需 API） | false |
vad.screen_ocr_use_dml |
启用 DirectML OCR 加速（独立进程隔离） | true |
vad.screen_ocr_force_cpu |
强制 CPU OCR（诊断用） | false |
vad.threshold |
VAD 灵敏度 (0-1) | 0.15 |
audio.capture_mode |
收音模式（standard 正常 / noisy 嘈杂 / whisper 轻语） |
standard |
output.typewriter_mode |
逐字输入模式 | false |
Aria 默认完全离线运行，不调用任何 API；配置 API Key 并开启润色后才会联网。更多配置项可直接在「设置」界面调整，每一项都有悬停说明。
识别准确率不高？
- 添加专有名词到
hotwords列表，设置合适权重 - 配置
replacements替换规则处理固定误识别 - 填写
domain_context描述使用场景（如 "编程技术讨论"） - 启用 API 润色（设置 → API → 一键填入 DeepSeek 推荐配置 → 填 API Key）
- 开启屏幕感知增强（
vad.screen_ocr_polish: true，默认关闭，需先配置 API）
GPU 加速不工作？
- 确认
nvidia-smi正常运行 - GTX 16xx 及以上自动启用，10xx 及更旧自动回退 CPU
- 显存约 5 GB 以上自动选用 1.7B 全模型，更低显存自动用 0.6B 轻量模型（热词与上下文纠错仍然生效）
- 更新显卡驱动到最新版本
无法在某些应用输入文字？
- 启用 Typewriter 模式：
output.typewriter_mode: true - 如目标程序以管理员运行，以管理员启动 Aria
首次启动很慢？
- 精简版：首次使用需自动下载 ASR 模型（约 1.2-3.4 GB），下载后离线可用
- 完整版：已内置模型，解压即用
- 也可在设置中切换到 FunASR 备用引擎
环境噪声导致误输入？
- 悬浮球菜单把收音模式切到「嘈杂」（强化拒噪）
- 适当提高 VAD 阈值（
vad.threshold，默认 0.15，嘈杂环境可调至 0.4） - 适当提高能量阈值（
vad.energy_threshold，默认 0.003）
展开查看
Aria/
├── launcher.py # 入口：单例检查 + 启动画面 + 模型预加载
├── app.py # 主应用：状态机 + ASR 编排
├── core/ # 核心模块
│ ├── asr/ # 语音识别引擎
│ ├── audio/ # 音频捕获 + VAD
│ ├── context/ # 屏幕上下文感知 + OCR
│ ├── history/ # 历史记录存储
│ ├── hotword/ # 热词纠错 + AI 润色
│ ├── screenshot/ # 截图、贴图与保存
│ ├── selection/ # 选区指令
│ ├── wakeword/ # 唤醒词检测 + 命令执行
│ └── command/ # 语音键盘命令
├── ui/qt/ # PySide6 界面
├── system/ # 系统集成（热键、文本输出、权限检测）
└── config/ # 配置文件
| 项目 | 许可证 | 说明 |
|---|---|---|
| Qwen3-ASR | Apache 2.0 | 通义千问语音识别 |
| FunASR | MIT | 阿里达摩院语音识别 |
| Silero-VAD | MIT | 语音活动检测 |
| PySide6 | LGPL v3 | Qt6 Python 绑定 |
| PyTorch | BSD-3-Clause | 深度学习框架 |
| pypinyin | MIT | 汉字拼音转换 |
| RapidOCR | Apache 2.0 | PP-OCRv5 ONNX 推理 |