前言

如今，大模型和 AI 助手越来越普及，语音输入也逐渐成为许多人的主要输入方式。无论是写文章、和AI交流、回复消息、记录灵感，还是整理会议内容，相比键盘输入，语音往往能够带来更高的效率。

不过，目前大多数语音输入方案都存在一些共同的问题：

• 需要联网，离线环境无法使用
• 语音数据上传到云端，存在隐私顾虑
• 延迟较高，连续输入体验一般
• 对开发者来说，可定制能力有限

如果你希望拥有一款完全离线、无需联网、识别速度快、支持无限时长、可自由配置的语音输入工具，那么 CapsWriter-Offline 非常值得体验。

它是一款开源的离线语音输入工具，最大的亮点是完全离线和代码开源，它的架构图如下，所有语音数据都在本地处理，不经过任何云端服务器。这意味着：没有网络限制、没有隐私泄露风险、没有订阅费用，而且响应速度极快。对于需要在保密电脑上工作、或者网络环境不稳定的用户来说，简直是福音

当然也有人会问：离线识别准确率行吗？答案是：现在真行。随着 Qwen3-ASR 等本地模型的发展，离线语音识别的准确率已经达到可用级别，配合软件自带的热词纠正系统，日常输入完全够用。

按住快捷键即可开始说话，松开后自动将识别结果输入到当前光标所在位置，整个过程几乎没有学习成本。除了实时语音输入之外，它还支持音视频文件转录、热词替换、文本后处理等功能，并持续集成新的本地语音识别模型，在中文识别准确率和响应速度方面表现出色。

它适合哪些人

• 程序员
• 自媒体创作者
• 写作者

• 办公人员
• 经常写文档的人

本文将从下载安装到高级配置，带你完整体验 CapsWriter-Offline，让你的 Windows 电脑秒变本地 AI 语音输入助手。

一、软件获取

1.1 下载软件本体

首先去 GitHub Releases 页面^[1] 下载最新的软件本体压缩包，如果不能访问外网，文章最下方提供百度网盘备份。

解压后你会看到类似这样的目录结构：

CapsWriter-Offline/├── start_server.exe       # 服务端（模型推理引擎）├── start_client.exe       # 客户端（键盘监听、结果输出）├── config_server.py       # 服务端配置文件├── config_client.py       # 客户端配置文件├── hot.txt                # 音素热词文件├── hot-rule.txt           # 规则替换文件├── hot-server.txt         # 服务端热词文件├── LLM/                   # LLM 角色文件夹├── models/                # 模型文件夹（需要自行下载放入）└── docs/                  # 帮助文档

1.2 下载模型

软件本体不包含模型，需要单独下载。模型同样在 GitHub Releases^[2] 页面，最下方同样有百度网盘备份。

目前支持四种引擎：

怎么选？ 很简单：

• 独显电脑：优先用 Qwen3-ASR-1.7B-q5_k，准确率最高，加上显卡加速后延迟也很低
• 集显电脑：尝试 Qwen3-ASR-1.7B-q4_k，如果觉得慢就降到 Fun-ASR-Nano
• 性能较差的电脑：建议用 SenseVoice-Small，兼顾速度和准确率
• Paraformer：最次选

下载后将模型压缩包解压，放入 models/ 文件夹中对应模型的目录下。目录结构是这样的：

models/├── SenseVoice-Small/│   └── Sensevoice-Small-ONNX/│       ├── SenseVoice-Encoder.fp16.onnx│       ├── SenseVoice-CTC.fp16.onnx│       └── tokenizer.bpe.model├── Fun-ASR-Nano/│   └── Fun-ASR-Nano-GGUF/│       ├── Fun-ASR-Nano-Encoder-Adaptor.fp16.onnx│       ├── Fun-ASR-Nano-CTC.fp16.onnx│       ├── Fun-ASR-Nano-Decoder.q5_k.gguf│       └── tokens.txt├── Qwen3-ASR/│   └── Qwen3-ASR-1.7B/│       ├── qwen3_asr_encoder_frontend.onnx│       ├── qwen3_asr_encoder_backend.onnx│       └── qwen3_asr_llm.gguf└── Paraformer/ （可选）

1.3 安装运行环境

启动软件前需要确保系统已安装 VC++ 运行库。如果启动时提示缺少 DLL，去 微软官网^[3] 下载安装 vc_redist.x64.exe 即可。

如果要用文件转录功能（把音视频文件拖到客户端转字幕），还需要安装 FFmpeg 并配置到系统 PATH 环境变量中，可见我的另一篇文章开源软件推荐0063：音视频处理FFmpeg。

二、软件配置

2.1 切换快捷键配置

打开根目录的 config_client.py，找到这一段：

# 快捷键配置列表    shortcuts = [        {'key': 'caps_lock',     # 监听大写锁定键'type': 'keyboard',     # 是键盘快捷键'suppress': True,      # 阻塞按键（短按会补发）'hold_mode': True,      # 长按模式'enabled': True# 启用此快捷键        },        {'key': 'x2','type': 'mouse','suppress': True,'hold_mode': True,'enabled': True        },    ]

默认有两种触发方式：Caps 和鼠标侧键，可根据如下表格根据顺手需求修改

2.2 热词配置（强烈推荐）

这是 CapsWriter 的灵魂功能之一。如果你有专业术语、人名、英文品牌等常被识别错的词，在 hot.txt 中记下即可：

# 每行一个热词，用 | 分隔别名CapsWriter | Caps RiderClaude | Cloud | 克劳德 | 克劳得Llama.cpp | 拉马点 CPP

更妙的是，它支持自定义短语功能。你可以把长文本绑定到一个简短的口令上：

18200006666 | 我的手机号 | input my phone上海市浦东新区张江高科技园区 |  addresshello@example.com | 我的邮箱

以后说「address」，就会自动上屏我的地址，不用一个个位置念了。

除了音素热词，还有规则替换功能（hot-rule.txt），支持正则表达式，适合做单位转换、符号修正：

毫安时     =      mAh赫兹      =      Hz(艾特)\s*(QQ)\s*点\s*   =   @qq.

修改热词文件后无需重启，3 秒内自动生效，非常方便。

2.3 LLM 角色配置（可选）

如果你希望语音识别后经过大模型润色，或者用它来做翻译、问答助手，可以配置角色功能。

角色文件在 LLM/ 文件夹中，每个 .py 文件定义一个角色。预置了三个角色：

例如，你用鼠标选中一段英文，然后说「翻译这段文字」，客户端检测到「翻译」前缀后会自动调用 LLM API，将翻译结果显示在浮动窗口中。

支持的服务商包括：Ollama（本地）、LM Studio（本地）、OpenAI、DeepSeek、月之暗面、智谱 AI 等。

❝

小提示：Qwen3-ASR 准确率已经很高，配合热词基本不需要 LLM 润色。开启润色会增加延迟，追求极速体验的话可以关闭。

2.4 其他常用设置

在 config_client.py 中还有一些实用的配置项：

paste = False# 是否用粘贴代替打字输出（解决某些软件 IME 兼容问题）paste_apps = ['WeXin.exe', 'Telegram.exe']  # 强制使用粘贴的应用列表restore_clip = True# 粘贴后恢复剪贴板内容hot_thresh = 0.85# 热词替换阈值（越高越精准）

三、软件使用

3.1 启动

第一步：双击 start_server.exe 启动服务端，它会自动最小化到系统托盘。服务端负责加载模型、进行语音识别推理。

第二步：双击 start_client.exe 启动客户端，同样自动最小化到托盘。客户端负责监听键盘、录音、将识别结果输出到光标位置。

启动后，任务栏右下角会出现两个图标，右键点击可以打开菜单。

3.2 语音输入

默认快捷键：

• 按住 CapsLock 键 → 说话 → 松开 → 自动上屏
• 按住鼠标侧键 X2 → 说话 → 松开 → 自动上屏

就这么简单。软件默认会去除末尾的逗句号，让输入更干净。

使用技巧：

• 想好了再说：先按住快捷键，整理思路，再说出来，松开即上屏
• 悄悄话也能识别：低音量场景同样支持
• 支持中英文混合：Qwen3-ASR 在多语言混说的场景下表现优秀

3.3 文件转录

这是一个非常实用的功能：直接把音视频文件（MP3、MP4、M4A 等）拖拽到 start_client.exe 上，软件会自动提取音频、进行识别，生成三种文件：

• .srt 字幕文件（可导入剪辑软件或播放器）
• .txt 纯文本文件
• .json 时间戳文件

对于需要做视频字幕、会议转写的朋友来说，这个功能省心省力。

3.4 托盘菜单

右键点击客户端托盘图标，可以看到实用的菜单项：

• 隐藏/显示窗口：隐藏烦人的黑窗口

• 添加热词：弹窗输入热词，立即生效

• 复制结果：复制最近一次识别结果

• 清除 LLM 记忆：清除 LLM 角色的对话历史

  

3.5 常见问题

Q：按下没反应？A：确认 start_client.exe 还在运行。如果在管理员权限的程序中输入，也需要以管理员权限运行客户端。

Q：识别结果没字（空白）？A：到 年/月/assets 文件夹中检查录音文件，看是不是麦克风没录到音。检查系统麦克风权限是否开启。

Q：如何开机自启？A：Win + R 输入 shell:startup 打开启动文件夹，将服务端、客户端的快捷方式放进去即可。

Q：为什么在某些软件中输入异常？A：部分程序（如某些浏览器、游戏）与系统 Unicode 输入不兼容，或中文输入法干扰。可以在 config_client.py 的 paste_apps 列表中配置这些程序，强制使用粘贴输出。

Q：录音文件会不会越来越多？A：连续 24 小时不间断录音，体积也只有 2GB 左右。实测一个月下来不到 200MB，一年不超过 3GB，几年清理一次即可。

四、软件获取

1. 关注公众号「程序员 aabond」，在后台回复「CapsWriter0072」，即可获下载地址链接