SayIt – 开源 AI 语音输入法，自动将口语转为书面表达

1. SayIt是什么

SayIt 是一款开源的 AI 语音输入法，基于 Rust 语言构建，专注于 Windows 桌面端。用户只需按住快捷键说话，即可将口语实时转化为可直接使用的书面文字。该产品提供本地、云 API 和自托管服务器三种语音识别模式，内置 AI 整理引擎，能够自动去除口头禅、修正错字、整理语序并支持中英互译。此外，SayIt 支持按应用自动匹配 Prompt 规则，在兼顾效率的同时，充分保障用户隐私。

技术定位与领域： 属于语音识别与自然语言处理（NLP）交叉领域，具体定位于桌面端的智能语音输入工具。与传统的语音输入法不同，SayIt 不仅完成语音到文本的转录，还通过 AI 整理引擎对口语进行语义优化，输出逻辑清晰的书面表达，填补了“语音转录+文本润色”一体化工具的市场空白。

研发背景： 由开发者 crosswk 基于个人项目开源，社区驱动迭代。研发动机源于现有语音输入工具在隐私保护、文本整理和场景适配方面的不足。SayIt 采用 AGPL-3.0 开源协议，旨在通过社区共建打造一个透明、可控且功能完备的语音输入解决方案。

核心价值： 解决了语音输入中常见的“口语化严重、需要二次编辑”的痛点。通过 AI 整理引擎，用户无需手动修改即可获得可直接用于邮件、文档、代码注释等场景的书面文本。同时，本地模式和自托管部署确保了敏感音频数据不出设备，满足了隐私敏感用户的核心需求。

技术特点： 基于 Rust 构建，客户端资源占用低、运行稳定且安全性高；提供三种语音识别模式（本地、云 API、服务器），用户可按需在隐私、精度与硬件要求之间灵活平衡；内置应用级 Prompt 规则引擎，能自动识别当前焦点应用并切换对应的文本润色策略，实现无缝嵌入用户工作流。

2. 主要功能

• 多模式语音转录： 支持本地模型、云端 API 和自托管服务器三种语音识别模式。本地模式完全离线运行，音频数据不出设备；云 API 模式调用第三方服务（如 OpenAI Whisper）以获得更高精度；服务器模式允许用户在自有服务器上部署，兼顾隐私与性能。用户可根据场景需求灵活切换。

• AI 智能整理引擎： 内置意图整理、忠实校对、中英互译三种润色模式。意图整理模式自动去除口头禅、填补语气停顿、重组语序，将口语转化为逻辑清晰的书面语；忠实校对模式在保持原意的基础上修正错字和语法错误；中英互译模式支持边说中文边输出英文，或反之，显著提升跨语言沟通效率。

• 应用级 Prompt 规则： 系统自动检测光标所在的应用，并匹配预设的 Prompt 规则。目前已内置 Teams、Outlook、VSCode、Cursor、记事本等常见软件的适配规则。例如，在 VSCode 中说话，AI 会自动将口语格式化为代码注释风格；在 Outlook 中则生成正式的邮件正文。用户也可自定义规则，扩展支持其他应用。

• 热词定制： 支持用户自定义热词库，针对专业术语、人名、产品名及专有名词进行优化。通过导入或手动添加热词，能显著提升这些词汇在语音识别阶段的准确率，避免因同音或生僻词导致的转录错误。该功能对医疗、法律、编程等专业领域用户尤为实用。

• 主题与外观自定义： 提供浅色、深色、暖色三种主题，以及多种悬浮窗样式。用户可自定义波形显示样式和窗口长度，以适应不同的桌面环境和视觉偏好。这一功能虽属非核心，但显著提升了日常使用的舒适度和个性化体验。

• 历史记录回溯： 所有语音输入的历史记录均保存在本地，用户可在历史页面按时间顺序浏览。点击展开详情后，可回溯原始转写文本、使用的模型、音频时长以及识别耗时，便于用户对比不同模式下的识别效果，进行参数调优或问题排查。

3. 如何使用

1. 环境要求与下载安装： 系统要求为 Windows 10 或更高版本（64 位），需安装 Microsoft Visual C++ Redistributable。访问 SayIt 官网 https://sayitapp.site 下载最新版本的安装包，双击运行并按照向导完成安装。建议安装前关闭杀毒软件以避免误报。

2. 语音识别模式选择： 首次启动后，进入“语音引擎”设置页面。用户需根据自身需求选择模式：

   • 本地模式： 无需网络，下载 Whisper 等本地模型后离线运行，隐私性最强，但占用本地算力。
   • 云 API 模式： 需配置 OpenAI 等第三方 API 密钥，识别精度高，但依赖网络且产生 API 费用。
   • 服务器模式： 需自建或接入已有的 Whisper 服务器，适合团队或隐私要求较高的企业用户。

3. 配置快捷键与麦克风： 默认使用空格键右侧的 Alt 键作为语音触发键。用户可在“快捷键”设置页面自定义触发键，建议选择不与其他软件冲突的组合键（如 Ctrl + Shift + Space）。同时，确保系统麦克风已正确连接并设置为默认输入设备，可在系统声音设置中测试录音电平。

4. 开始说话与文本插入： 打开任意文本框（如记事本、Word、浏览器输入框等），按住设定的快捷键，对着麦克风清晰说话。松开快捷键后，系统会自动完成语音转录和 AI 整理，并将最终文本直接插入当前光标位置。整个过程延迟通常在 1-3 秒内，取决于所选识别模式和网络状况。

5. 查看与调优： 在历史页面可查看所有输入记录。点击展开详情，可对比原始转写文本和 AI 整理后的文本，评估识别与润色效果。若发现特定词汇识别不准，可返回“热词定制”页面添加对应热词；若某应用下的润色效果不理想，可在“应用规则”中调整对应的 Prompt 模板。

4. 优缺点分析

5. 同类工具对比

选型建议：

• 隐私敏感用户、技术爱好者或开发者： SayIt 是最优选择。其本地模式和开源特性提供了最高级别的隐私保护，且支持应用级规则自定义，适合深度定制。若用户对整理精度要求极高，可结合本地 Whisper 模型和 SayIt 的 AI 整理引擎，获得最佳效果。
• 追求便捷与多端协同的用户： AudioClaw 或 Windows 自带语音输入更适合。它们无需配置，开箱即用，且支持移动端，适合日常轻度使用。但需接受云端处理带来的隐私风险，且缺乏 AI 文本整理功能，需要手动编辑转录内容。
• 需要完全离线且高度可控的企业用户： 建议采用 Whisper 本地部署方案，搭配 SayIt 的服务器模式作为前端。这样既能获得 SayIt 的 AI 整理和应用适配能力，又能将数据完全控制在自有服务器内，实现隐私与功能的双重保障。

6. 编辑点评

SayIt 在 AI 语音输入工具中找到了一个精准的差异化定位：它不只是一个语音识别器，更是一个“口语转书面语”的智能处理管道。从技术创新角度看，其 AI 整理引擎和应用级 Prompt 规则是真正有价值的创新点。前者解决了语音输入后仍需大量手动编辑的核心痛点，后者则让工具能“感知”上下文并自动调整输出风格，这种场景感知能力在同类产品中较为罕见。基于 Rust 构建的客户端也体现了对性能和安全的重视，资源占用低、运行稳定，这一点值得肯定。

从实用价值来看，SayIt 对三类用户有明确价值：一是办公效率追求者，可显著加快邮件、文档和代码注释的撰写速度；二是隐私敏感用户，本地模式和自托管部署提供了可信的隐私保障；三是技术爱好者，开源代码和热词定制功能提供了深度定制的空间。不过，其仅支持 Windows 平台的限制和本地模式下的精度瓶颈，是制约其大规模普及的主要因素。对于 macOS 用户和需要高精度识别的场景，目前仍需借助其他工具。

未来发展潜力方面，SayIt 若能扩展至 macOS 和 Linux 平台，并持续优化本地模型的识别精度（例如集成更轻量级的端侧模型），其市场空间将大幅拓宽。此外，社区能否贡献更多应用规则和润色模板，也将决定其生态的丰富程度。整体而言，这是一款思路清晰、执行到位的小而美工具。

扣分项：仅支持 Windows、本地模式精度依赖模型大小、应用规则覆盖有限。加分项：开源透明、隐私保护出色、AI 整理引擎差异化明显。

7. 应用场景

• 办公文档与邮件撰写： 在 Word、Outlook、Teams 等软件中，按住快捷键口述邮件正文或文档内容。SayIt 的 AI 整理引擎会自动将口语转化为正式的书面语言，并匹配对应应用的 Prompt 规则（如 Outlook 中生成邮件正文格式），大幅提升日常办公的输入效率，尤其适合需要大量文字输出的岗位。

• 会议记录与纪要整理： 在会议中，用户可将 SayIt 与记事本或专用笔记软件配合使用。实时口述会议发言，AI 自动去除“啊”、“那个”等口头禅，并将零散的发言内容整理为结构化的分条纪要。会后可直接导出，省去了手动整理录音的繁琐过程。

• 跨语言沟通与内容创作： 对于需要撰写英文邮件或文档的用户，可开启中英互译模式。一边用中文口述思路，SayIt 实时输出英文文本。该场景适用于国际化团队协作、海外市场邮件沟通、以及英文内容创作者的初稿生成，能显著降低语言障碍带来的时间成本。

• 编程与代码注释： 在 VSCode 或 Cursor 等代码编辑器中，SayIt 的应用规则会自动切换至代码注释风格。用户可直接口述函数说明或代码逻辑，AI 整理后自动生成符合编程规范的注释文本，帮助开发者在不打断编码流的情况下快速完成文档撰写。

• 无障碍输入辅助： 对于因手部受伤、腱鞘炎或残疾而导致打字困难的人群，SayIt 提供了一种高效的替代输入方案。用户只需说话，即可完成文字输入，且 AI 整理引擎确保了输出文本的质量，降低了对后期编辑的依赖，切实提升数字生活的便利性。

8. 常见问题FAQ

Q：SayIt 的本地模式需要什么硬件配置？
A：本地模式需要 CPU 支持 AVX2 指令集（大部分 Intel 和 AMD 处理器均支持），建议至少 8GB 内存。若使用 Whisper 小型模型（如 base 或 small），集成显卡即可运行，但实时性会受影响。推荐使用 NVIDIA 独立显卡（GTX 1060 以上）以获得低延迟体验。模型文件首次下载约 1-5GB，需确保磁盘空间充足。

Q：云 API 模式支持哪些服务商？如何配置？
A：目前支持 OpenAI 的 Whisper API 以及兼容 OpenAI API 格式的服务（如 Azure OpenAI）。用户需在设置页面填入 API 密钥和端点地址。注意，使用云 API 模式会产生费用，具体按 Token 或分钟数计费，建议先在小规模测试后确认成本。

Q：AI 整理引擎的效果可以调整吗？会不会过度修改原文？
A：可以。用户可在“AI 整理”设置中调整润色强度，包括“轻度”、“标准”和“深度”三档。轻度模式仅修正明显错字和语法错误，深度模式则会对语序和表达进行大幅重组。若发现某次整理结果不理想，可在历史记录中查看原始转写，并手动调整 Prompt 模板或润色模式。

Q：SayIt 是否支持中文语音识别？方言识别效果如何？
A：支持中文普通话识别。在本地模式下，使用 Whisper 的多语言模型（如 large-v3）可获得较好的中文识别效果。方言识别方面，Whisper 对粤语、四川话等常见方言有一定支持，但准确率低于普通话。建议在方言场景下优先使用云 API 模式，或结合热词定制功能进行优化。

Q：如何添加新的应用规则？需要编程知识吗？
A：不需要。用户可在“应用规则”页面点击“新增”，填写应用名称（需与系统进程名匹配，如 Code.exe）和对应的 Prompt 模板。Prompt 模板使用自然语言描述即可，例如：“请将以下口语转换为正式的邮件正文格式，包含称呼和落款”。系统会将该模板自动注入 AI 整理流程。若匹配失败，可在历史记录中查看当前焦点应用的进程名。

Q：SayIt 会收集我的语音数据吗？
A：在本地模式下，所有语音数据不出设备，系统不会上传任何信息。在云 API 模式下，语音数据会发送至第三方 API 服务商，处理结果返回后，SayIt 客户端不会保存原始音频。在服务器模式下，数据由用户自管。总体而言，SayIt 的设计原则是“数据最小化”，不主动收集用户数据。

9. 项目地址

• 项目官网： https://sayitapp.site
• GitHub 仓库（开源代码）： https://github.com/crosswk/SayIt