按住热键说话，松开自动定格上屏。100% 本地、纯 Intel NPU 推理——零云端、零成本、数据不出机器。
按住鼠标中键说话 → 文字实时刷新（0.6s 全文重识别）→ 错字自动修正 → 松开定格
- 纯 NPU 本地推理：SenseVoice int8（中/英/日/韩/粤），NPU 独立运行，CPU/GPU 完全空闲
- 实时出字 + 自动纠错：每 0.6s 全文重识别，与已输出对比做最小编辑（只改变化部分），松开瞬间定格
- 录音倒计时：录音时托盘图标显示剩余秒数（12s 模型上限，到 0 提示）
- 窗口切换保护：说话时切换窗口不会打错字；松开时若焦点已切走，文字暂存待补（切回原窗口自动输入，纯追加不删除）
- 热键更改：托盘菜单交互式修改（键盘/鼠标单键，无需改配置）
- 录音设备选择：托盘菜单切换，系统默认实时跟随
- 错误提示走托盘（不弹窗）
- 管理员权限：可向游戏（如 LOL）聊天框注入文字
- Windows 11
- Intel Core Ultra 处理器（内置 NPU）
- 注：此为理论要求（基于 NPU 架构兼容性推断），实际仅在 Core Ultra 5 225F（Arrow Lake，第 3 代 NPU，INT8 13 TOPS）上验证过，其他型号未实测，不保证兼容
- 首次启动模型编译约 1 分钟（一次性），之后秒级启动
下载 Release 中的 NpuDictation-v0.1.0-alpha.zip，解压后双击 NpuDictation.exe：
- 首次运行弹 UAC 管理员确认（需要管理员权限才能向游戏等窗口注入文字）
- 打开任意输入框 → 按住热键说话 → 松开定格
- 托盘图标右键：按键更改 / 录音设备 / 提示音 / 退出
要求：Python 3.10+（实测 3.12）、Windows 11。
# 依赖
pip install -r requirements.txt
# 准备模型 (见下方"模型")
# 启动 (会弹 UAC 提权)
pythonw.exe dictation.py模型不随源码仓库分发（约 900MB），获取方式：
- 从 sherpa-onnx 下载
sherpa-onnx-sense-voice-zh-en-ja-ko-yue-int8-2024-07-17.tar.bz2 - 解压到
models/目录 - 将 ONNX 模型转换为 NPU 可编译的静态 IR（
x_length常量化 + ovc 静态转换），详见 docs/model-conversion.md
Release 发布包已包含转换好的模型，直接使用无需此步骤。
模型权重版权归原模型方，遵循原许可证（见下方"致谢与许可证"）。
dictation.py # 主程序：托盘/热键/录音/FIFO 任务队列/会话纠错/打字
asr/ # 模型抽象层（ASRModel 接口 + 工厂）
├── sensevoice_npu.py # SenseVoice int8 @ NPU（主模型）
├── whisper_npu.py # Whisper @ NPU（可选，需自行准备）
├── paraformer_cpu.py # Paraformer @ CPU（开发对照）
└── funasr_nano.py # 规划中
tests/ # pytest 单元测试（39 用例，纯逻辑 mock）
config.json # 配置（一般无需手动改，托盘可改热键/设备/提示音）
按住 = 每 0.6s 对全部累积音频重识别
→ 与"本会话已输出文本"对比
→ 不一致则最小编辑修正（最长公共前缀保留，只删改变化部分）
松开 = 最终任务插队 + 会话冻结（过期任务作废）→ 立即定格
会话 = 每次按下独立记录，互不干扰，绝不删除已交付内容
{
"hotkey": "mouse.middle", // 热键（托盘可改：键盘/鼠标单键）
"beep": true, // 提示音（托盘可关）
"input_device": null, // 录音设备（托盘可选，null=系统默认实时跟随）
"live_interval": 0.6, // 全文重识别间隔（越小越实时，NPU 占用越高）
"max_seconds": 60,
"min_seconds": 0.3
}- 单次有效输入 ≤12 秒（模型静态帧数，设计边界）
- 非真流式：0.6s 刷新（"非实时但准确"）
- 无标点输出（空格分段）
- 仅支持 Intel Core Ultra NPU（不支持 CPU/GPU 推理——项目定位）
python -m pytest tests/本项目由 OpenCode + DeepSeek 辅助开发，开发者并非专业程序员——代码可能存在不严谨之处，阅读/使用前请心里有数。欢迎 issues 与 PR 指正。
落叶捎来讯息： 在屏幕的彼端，我们的故乡"智能手机"， 那伟大的语音交互已经破碎── Siri屏蔽太多在国行销声匿迹， Bixby 名字已是拗口咒语。 家居控制──国产语音助手拿到"智能"的碎片， 却因为那股力量堕入无尽的"很抱歉"战争…… 在那场无王存在的战争最后── 大模型放逐了它们。 噢，所以啊，用户啊── 因AI需求承受硬件涨价的你啊。 那许久以前我们买下的NPU，正在出声呼唤。 "先声夺人"的 ChatGPT、 开源寒锋 DeepSeek、 "长文之王" Kimi、 多模态 Gemini、 "温厚博学"的 Claude。 ……那失去的智力第一次， 来到默默无名的电脑上。 朝雾的彼端前进，抵达纯 NPU 听写， 觐见不占CPU和GPU、实时纠错── 当上Make NPU Useful之王吧。
- SenseVoice（FunAudioLLM/SenseVoice）：主模型。代码为 MIT 许可；模型权重遵循 FunASR Model Open Source License Agreement（商用需遵循条款，并保留模型名称与署名；本项目发布包中模型目录名保留原始名称）
- sherpa-onnx（k2-fsa/sherpa-onnx）：模型与推理工具链（Apache-2.0）
- OpenVINO（openvinotoolkit/openvino）：NPU 推理运行时（Apache-2.0）
- 其他依赖：kaldi-native-fbank（Apache-2.0）、pynput / pystray（LGPL-3.0）、Pillow（HPND）、sounddevice（MIT）、numpy（BSD-3-Clause）