FluidVoice 实用指南:从安装到日常使用的完整配置手册

一行命令装上 FluidVoice 很容易，但装完之后——模型选哪个、快捷键怎么设、Command Mode 怎么开——这些才是花时间的地方。这篇文章按实际使用顺序走一遍。

项目卡片

• 项目：FluidVoice^[1]
• 状态：v1.6.0 / 9.2k Star / GPLv3 / Swift
• 一句话判断：macOS 开源离线语音输入，支持 8 种本地模型和语音控制 Mac

两种安装方式，选一种：

# 方式一：Homebrew（推荐）brew install --cask fluidvoice# 方式二：手动下载# https://github.com/altic-dev/FluidVoice/releases/latest

装好后第一次打开，FluidVoice 会要求两项权限：

麦克风权限 —— 必须。没有这个它听不到你说话。系统弹窗点"允许"就行。

辅助功能权限 —— 必须。这个权限让 FluidVoice 能把文字直接插入到你当前使用的 app 里（比如在光标位置自动输入）。操作路径：系统设置 → 隐私与安全性 → 辅助功能 → 打开 FluidVoice 的开关。

两个权限都给完，基础功能就能用了。

这一步选错了，后面全白搭。FluidVoice 支持 8 种语音模型，语言覆盖、延迟、体积差别都很大。我建议先想清楚两个问题：你主要说什么语言？你能接受多大的延迟？

零下载、先试试看：Apple Speech

• 体积：0（macOS 内置）
• 语言：取决于你的系统语言
• 适合：先体验一下效果，不想下载大文件

英语为主、要最低延迟：Parakeet Flash

• 体积：~250MB
• 语言：英语
• 适合：英文写作、代码注释，说完几乎立刻出字

多语言、日常够用：Parakeet TDT v3

• 体积：~500MB
• 语言：25 种（英/法/德/西/葡/意/荷/波/捷/罗/匈/瑞典/丹麦/芬兰/挪威/希腊/保加利亚/克罗地亚/爱沙尼亚/拉脱维亚/立陶宛/马耳他/斯洛伐克/斯洛文尼亚/乌克兰）
• 适合：欧洲多语言用户

中文用户看这里：Nemotron Speech 3.5

• 体积：~670MB
• 语言：~40 种（含中文）
• 适合：需要中文语音输入的用户。这是中文场景下准确率最高的本地模型

高精度多语言：Cohere Transcribe

• 体积：~1.4GB
• 语言：14 种（含中文、日文、韩文）
• 适合：对准确率要求极高，不介意体积大

Intel Mac 或极小体积：Whisper 系列

• 体积：75MB（Tiny）到 2.9GB（Large）
• 语言：99 种
• 适合：Intel Mac 用户（其他模型都要求 Apple Silicon）

模型下载后全部本地运行，不走网络。建议先装一个试试，不满意再换。

硬件前提：macOS 15.0+，Apple Silicon Mac 支持所有模型，Intel Mac 只能用 Whisper 和 Apple Speech。一个模型 250MB-1.4GB，Fluid Intelligence 额外占 ~3.5GB，按需下载就行。

FluidVoice 的核心交互是按住快捷键说话，松开结束。进设置 → Voice Engine → Primary Dictation Shortcut，录一个你喜欢的组合键。

推荐方案：

• Fn 键（最简单）—— 按住 Fn 说话，松开结束。Fn 键在大多数 Mac 键盘左下角，单手操作方便
• Option + 空格（和 Spotlight 类似）—— 容易记住，不会和其他快捷键冲突
• 鼠标侧键（如果有）—— 支持鼠标快捷键绑定，游戏鼠标用户的好选择

FluidVoice 支持设置多个主快捷键，最多可以配 3 个。冲突检测是实时的，录快捷键时如果和已有功能冲突会立刻提示。

FluidVoice 不只是一个"语音转文字"工具。它有四种工作模式，用不同的快捷键触发：

模式一：Dictation（听写）

默认模式。按住主快捷键说话，松开后文字插入当前光标位置。

日常用法：在任何文本编辑器、邮件、聊天窗口里，按住快捷键直接口述内容。说完松手，文字就出现在光标位置，不用手动粘贴。底层走的是 macOS 辅助功能 API，直接往目标 app 的光标位置打字，不走剪贴板。

模式二：Command Mode（命令模式）

按另一个快捷键进入。这个模式不是"打字"，而是"用嘴控制 Mac"。

典型用法：

• "打开 Safari" → 直接启动 Safari
• "运行终端" → 打开 Terminal
• 说完一条命令后可以继续追加，不用每次重新触发
• 支持多轮对话，Notch 区域实时显示执行结果

Command Mode 需要 AI provider 支持（可以是本地的 Fluid Intelligence，也可以是 OpenAI 等云端服务）。底层走的是 Function Calling——AI 识别你的意图后，调用系统 API 执行操作，不是简单的"语音启动器"。所以你说"把屏幕亮度调低"它也能做，前提是 macOS 支持这个操作。

注意：Command Mode 需要配置 AI provider 才能用。如果按了快捷键没反应，去 AI Enhancement 设置里检查一下。

模式三：Write Mode（改写模式）

选中一段文字 → 按改写快捷键 → 说你想怎么改 → AI 重写选中的文本。

用法示例：

• 选中一段邮件内容，说"改得更正式一点"
• 选中一段代码注释，说"翻译成英文"
• 选中一段笔记，说"整理成要点列表"

这个功能同样依赖 AI provider，但语音转文字部分是本地的。

模式四：Prompt Mode（提示模式）

用自定义 prompt 处理语音输入。可以给不同的 app 配不同的 prompt——比如在代码编辑器里自动去掉口头禅和语气词，在邮件 app 里自动修正语法。

进设置 → AI Enhancement → Dictation Prompts，可以添加多个 prompt 配置，每个绑定不同的快捷键。

语音转文字的原始结果往往有错字、缺标点、大小写混乱。AI 增强功能在转录完成后自动修正这些问题。本地和云端两条路，看你在不在意隐私。

本地方案：Fluid Intelligence

• 随 app 一起提供，不需要额外配置
• 完全离线，数据不出 Mac
• 功能：智能加标点、修大小写、去口头禅、格式化
• 缺点：~3.5GB 本地模型占用

云端方案：OpenAI / Groq / 自定义 provider

• 需要 API Key（存在 macOS Keychain 里，安全）
• 支持 OpenAI、Groq、或任何 OpenAI 兼容的自定义 endpoint
• 功能更强，但语音数据会发送到云端

建议：如果隐私敏感，用 Fluid Intelligence。如果对格式化效果要求更高，用云端方案。

如果你在不同 app 里的口述风格差别很大——写代码时要精确，聊天时要随意——这个功能值得配。

进设置 → AI Enhancement → Per-App Configuration，可以为特定 app 绑定专用 prompt。

实际场景：

• VS Code / Xcode → prompt 设置为"去除口头禅，修正编程术语"
• 邮件 app → prompt 设置为"修正语法，保持正式语气"
• 聊天 app → prompt 设置为"保持口语化，修正基本语法"
• 浏览器 → 自动识别上下文（Gmail、Google Docs、GitHub 等）并切换 prompt

不需要每个 app 都配。只配你常用的几个就行，其他走默认。

专业术语、人名、缩写，语音识别不一定认识。自定义词典让你提前告诉 FluidVoice 这些词怎么写。

进设置 → Custom Dictionary，添加你常用的专有名词。加完之后语音识别会优先匹配这些词。

适合场景：技术术语（Kubernetes、PostgreSQL）、公司名、人名、行业黑话。

1. 模型预加载。 FluidVoice 在后台会预加载你选的模型，第一次按快捷键不用等。如果发现第一次响应慢，检查设置里是否开启了预加载。

2. 流式预览。 开启后说话的同时文字实时出现，不用等说完。进设置 → Voice Engine → Streaming Preview 打开。Parakeet Flash 和 Nemotron 的流式体验最好，延迟体感不到半秒。Whisper 系列不支持流式，必须等整段说完。

3. 历史记录。 默认开启，所有转录内容保存在本地。可以关闭，也可以设置存储上限。进设置 → History 管理。

4. 统计功能。 设置 → Stats 看今天用了多少次、节省了多少打字时间。工具栏也有一个实时统计 pill。

5. 菜单栏快捷操作。 FluidVoice 常驻菜单栏，点图标可以快速开启/关闭录音、查看状态、进设置。

6. Notch 感知。 用 MacBook 的话，FluidVoice 的实时预览 overlay 会自动避开刘海区域，显示在合适的位置。

7. 自动更新。 默认开启，静默更新。想尝鲜的话进设置 → Automatic Updates → Beta Releases 打开 beta 通道。

文字没插进去。 九成是辅助功能权限没给。系统设置 → 隐私与安全性 → 辅助功能 → 确认 FluidVoice 已开启。给完权限可能需要重启 app。

中文识别不准。 先确认你用的是 Nemotron Speech 3.5 或 Cohere Transcribe。Parakeet 系列和 Apple Speech 不支持中文，Whisper 支持但中文准确率一般。换模型后重新测试。

同一时间只能用一个模型， 但可以随时在设置里切换，下一次录音就生效。

不满意随时卸载，brew uninstall --cask fluidvoice 一行清干净。

觉得有用去点个 Star：github.com/altic-dev/FluidVoice^[2]

这里会继续拆真实可用的开发者工具：少讲概念，多看入口、成本和坑点。你只需要判断一件事——它值不值得放进自己的工作流。

引用链接