SayIt – 口语自动转书面表达的开源 Windows 语音输入工具

SayIt 是一款于 2026 年 5 月开源发布的Windows 语音输入工具，主要用于把口头表达实时转成整理过的文字并直接落到光标处，支持本地模型识别、云端接口与自托管服务器三条路径切换，适用于在编辑器里口述提示词、写提交信息与整理会议记录等场景。

SayIt 的核心能力

SayIt 没有把「语音转文字」当成一次性的转写任务，而是当成输入通道：说出来的东西先过一次语言模型整理，再以键入的方式落进当前光标。这个定位决定了三个差异点——识别放在哪里可选、清理规则颗粒度到单个应用、以及可以整队共用一台服务器。

三种识别路径按需要切换

本地模式在这一台电脑上完成识别，模型下载后断网也能用；云端接口模式把音频直接交给所选供应商，费用按该供应商结算；服务器模式是安装后的默认项，连的是官方试用服务器，有额度限制。三种模式在设置里直接切。云端接口模式走哪家供应商另算一层；站内的 Spark-ASR-2.0 提供的就是识别这一层的模型能力。

说出的话先被整理成书面文字

识别完成之后还有一次语言模型清理：口头的「嗯」「就是说」会被去掉，说到一半改口会按改口后的意思写，念错的专有名词按热词表纠正。清理强度由预设提示词决定，四套内置预设的完整提示词全部可见可改，也能从零新建并绑到快捷键上。

每个应用绑各自的预设

在 VS Code 里说需求和在微信里回消息，需要的文字风格并不一样。SayIt 允许按应用绑定规则：切到不同应用时自动套用对应预设，也能临时新增。这一步把「一个提示词通吃所有场景」的做法拆开了。

热词表管专有名词

项目名、框架名、同事姓名这类词是语音识别最容易错的地方。热词表把它们提前登记，识别阶段优先按登记形式输出，中英混写词不易被拆成谐音。对经常口述技术内容的用户，这一项比换更大的模型更直接。

自托管服务器与团队共用

服务端同样是开源的，用 Docker Compose 一组命令拉起，官方给出的参考配置是 NVIDIA A10G 24GB 显卡跑 Qwen3-ASR-1.7B 与 vLLM：30 秒音频约 0.8 秒、5 分钟约 3.0 秒。团队只填服务器地址就能用；服务端与识别模型都部署在内网时，音频与文本不出内网。

SayIt 与同类语音输入工具的对比

下表从识别跑在哪、提示词可改及团队共用等维度，对四款语音输入工具逐项对照。

• 表格内数据来源：SayIt 取自官方仓库与性能说明，Chatterfly、讯飞输入法与 Windows 语音输入仅登记公开资料可确认项，未披露处不填写；机房与留存策略以各家隐私条款为准。
• 产品对比简述：识别跑在哪上 SayIt 三条路径自选，讯飞输入法与 Windows 语音输入依赖厂商云端服务，Chatterfly 的识别架构公开资料未明确；提示词可改仅 SayIt 开放完整预设编辑；团队共用上仅 SayIt 提供自托管路径，讯飞输入法背靠账号体系。

如果更想先看腾讯这类大厂做的语音输入产品是什么形态，站内的 Chatterfly（腾讯推出的 AI 原生语音输入助手）可以对照着看。

SayIt 的应用场景与适用人群

说比打字快、但说出来的内容不能直接用时适用；偶尔输入一两句话，不值得为此配置：

• 口述提示词：对着 Claude Code、Codex、Kiro 这类终端或编辑器说需求，整理过的句子直接落进输入框。
• 写提交信息与工单：把中文口语说成规范的一条 commit message，或整理成工单正文。
• 会议与访谈记录：接自托管服务器在团队内共用，录音不上公网，事后检索历史记录。

适用人群：适合长期在 Windows 上写代码或写文档、每天输入量以千字计的人，也适合要给团队统一语音输入通道的技术负责人；主要在移动端输入、或只需要偶尔转写一段录音的用户，用现成的转写服务更省事。想先了解识别模型本身能到什么水平，站内的 MAI-Transcribe-2 与 Qwen-Audio-3.1 是两条可参照的路线。

SayIt 的使用方法

官方给了两条路径：Windows 客户端装完就能说，客户端里还能切本地、云端与服务器三种识别模式；或自己起一套服务器给团队共用。

Windows 客户端：装完按快捷键就能说

1. 在 SayIt 官网 下载 Windows 安装包并完成安装，首次启动不需要填密钥，默认连公共试用服务器。
2. 在任意输入框按下配置好的快捷键开始说，说完再按一次结束，整理后的文字自动插入光标处；按住说话另有独立快捷键。
3. 日常使用建议切本地模式：在语音引擎里按硬件挑一个模型下载；七款 GGUF 模型里英文优先 Parakeet Unified EN，多语种看 Nemotron 3.5 ASR。
4. 要云端精度就填自己的供应商密钥（豆包、Qwen、OpenAI、Gemini 等），录音直接发给该供应商，不经过 SayIt 服务器；试用服务有额度限制，用完需切到本地或自填密钥。

自建服务器：Docker Compose 给团队一套共用通道

1. 克隆仓库后进入 server 目录，复制 config.example.yaml 与 .env 两份样例文件。
2. 执行 docker compose up -d --build 拉起服务，按官方参考挂显卡与 Qwen3-ASR 模型，默认模型建议 16GB 以上显存。
3. 把服务器地址发给同事，各自在客户端填同一个地址；并发上限与配额在服务端配置。

三点需留意：切到云端接口模式后录音会直接发给所选供应商，团队使用前应先确认这条数据流向；服务器模式的音频不落在服务端，但转写结果存在本地，换机器需自行迁移；多人共用一台服务器时，服务端配置由部署者统一维护，客户端的预设与热词各自管理。站内另有一份关于语音识别延迟的口径讨论：R2T2。

SayIt 的项目地址

• 产品官网：https://sayitapp.site/
• 项目仓库：https://github.com/crosswk/SayIt

SayIt 的价格方案

客户端本身不收费，支出取决于识别环节走哪条路径。

• 客户端：免费且开源，协议为 AGPL-3.0，个人与团队都可直接使用与修改
• 本地模式：只消耗本机算力，模型免费下载；文本清理接本机 Ollama 同样不产生额外费用
• 云端接口模式：按所选供应商的用量计费
• 服务器模式：自建时由自己承担机器成本，官方另提供一台带额度限制的试用服务器

团队规模较大时自建更划算：官方建议默认服务端模型使用 16GB 以上显存的 NVIDIA 显卡，实际并发能力取决于显卡、音频长度与服务器资源；服务端部署在内网时音频不出内网。

SayIt 的常见问题