Windows免费离线语音转文字：TMSpeech实时字幕工具完整上手指南

Windows免费离线语音转文字：TMSpeech实时字幕工具完整上手指南

【免费下载链接】TMSpeech腾讯会议摸鱼工具项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech

TMSpeech 是一款 Windows 下的免费开源实时语音转文字工具：它捕获电脑里正在播放的声音，离线转换成中文或英文字幕，像歌词一样实时浮在屏幕上，整个过程不联网、数据只在本机流转。接下来我会以第一视角，带你从下载一路走到第一行字幕出现。

开会走神被点名的那一刻

我至今记得那次线上例会。同事讲到第三页 PPT 时，我的思绪已经飘到下午的安排上；五分钟后主持人突然点名："刚才那段，你复述一下。"我盯着屏幕，一个字都接不上来。

如果你也有过类似经历，大概能理解我后来为什么离不开 TMSpeech。这个项目的念头本身就带着点自嘲——"开会时能更放心地走神"，名字也是这么来的。但真正用起来你才会发现，它解决的是更普遍的问题：会议内容没人记、网课重点抓不住、手速跟不上语速。

它做的事情朴素而有用：把电脑里播放的所有声音实时变成字幕，同时把每句话按日期存进文档。走神之后翻一翻记录，刚才讲了什么一目了然。

30 秒速览：先判断它适不适合你

📌 上手之前，先用一张表看看它值不值得你花十分钟。

维度	实际情况
核心能力	实时把系统声音或麦克风声音转成中文、英文字幕
运行方式	完全离线，音频只在本地处理，不依赖任何云端服务
资源占用	实测在 AMD 5800u 笔记本上，CPU 占用不到 5%
输入来源	系统内录（静音状态也能捕获）、麦克风、指定应用进程
附带功能	历史记录存档、字幕样式调节、敏感词提醒、插件扩展
适合谁	常开线上会的上班族、看网课的学生、需要无障碍字幕的用户
不适合谁	想要批量转写长录音、多说话人区分、多语言互译的人

一句话概括：它不是一台全能转录机器，而是"边听边显示、事后可回看"的贴身字幕员。

能力边界：先把丑话说在前面

任何工具都有边界，TMSpeech 也不例外。把丑话说在前面，反而能帮你少走弯路。

它擅长的是实时流式识别：你说话它出字，延迟低到几乎无感，一句话结束后自动沉淀进历史。但如果你想丢一整段两小时的录音进去，等它一次性吐出一篇完整文稿——这不是它的工作方式，它没有批量转写模式。

准确率同样受模型和口音牵制。默认的中文模型对普通话友好，遇到方言、密集术语或嘈杂环境，出错概率会明显上升。项目方也坦言，想要更高准确率，往往需要换用更好的开源模型。

平台方面，它目前主要面向 Windows，语言重心在中英文。如果你需要几十种语言的实时翻译，或者精确区分"哪句话是谁说的"，得另寻更重的解决方案。清楚这些边界之后，你对它的期待才会落在实处。

第一视角：十分钟跑通第一行字幕

跑通并不难，难的是知道每一步该做什么。下载 release 压缩包解压，双击 TMSpeech.exe，一个无边框的小窗口就会浮在桌面上，可以随意拖动和缩放。下面是我完整走了一遍之后的步骤。

第一步，确认音频源。默认情况下，它借助 Windows 的 WASAPI 环路捕获录制电脑内部声音——也就是说，即使系统音量被拉到静音，只要声音仍在输出，它照样抓得到。想录自己的声音，就去设置里切到麦克风输入。

第二步，安装语音识别模型。语音转文字必须由模型撑着。打开设置里的"资源"标签页，能看到中文、英文、中英双语等模型列表，选中中文模型点击"安装"，等进度条走完，状态就变为"已安装"。这一步唯一要提醒的是耐心：模型文件有几百 MB 的量级，别误以为卡住了。

第三步，选定识别引擎。在"语音识别"标签页里可以切换三种识别器：Sherpa-Onnx 离线识别器走 CPU，兼容性最好，普通笔记本直接选它；Sherpa-Ncnn 支持调用 GPU，显卡支持 Vulkan 的话速度还能再快一截；命令行识别器则留给喜欢自己写脚本接第三方引擎的玩家。

第四步，按下开始。回到主界面点下录制键，随便打开一个视频，或对着麦克风说句话，字幕就会像歌词一样实时滚动。识别完成的句子会自动按日期写入"我的文档/TMSpeechLogs"文件夹；在历史记录窗口里，右键或 Ctrl-C 就能复制整段文字。

整个流程算下来，真正需要动手的只有装模型和选引擎这两步。

让字幕更顺手的四个微调技巧

跑通只是起点，下面四个小调整能让日常体验明显上台阶。

• 走神救星：历史记录随时可复制，被点名时不用再支支吾吾，看一眼面板就能接上话。
• 字幕不挡画面：字幕窗口可以调大小、字体、颜色和透明度，还能锁定后点击穿透，鼠标直接点到背后的视频或文档。
• 敏感词提醒：在通知设置里填入自己的名字或"方案""截止"这类词，会议里一旦出现，桌面通知会第一时间弹出来。
• 换模型提准确率：如果默认模型不够准，可以在识别器设置里指向自己下载的流式模型，项目兼容 sherpa-onnx 系列的多种模型。

这些配置全部集中在设置窗口里，改完即时生效，不需要重启程序。

新手避坑清单

把新手最容易撞上的几个问题列出来，每条都给出现象、原因和解法。

识别不出任何字。多半是音频源没选对。先检查设置里的音频源到底是"系统内录"还是"麦克风"，再确认所选引擎对应的模型已经装好。

历史记录找不到。默认保存在"我的文档/TMSpeechLogs"，按日期分文件。如果一直没生成，看看是否用了命令行识别器——它要求外部程序自己负责录音并按约定格式输出，会脱离内置音频源独立工作。

GPU 识别器启动失败。大概率是显卡驱动或 Vulkan 支持问题，先切回 CPU 版 Sherpa-Onnx 识别器，稳定优先，之后再排查环境。

模型装完仍提示缺失。资源页面顶部有刷新按钮，装好模型后点一下刷新，让程序重新扫描本地已安装的资源。

避坑的底层心态就一条：先用 CPU 默认配置把流程跑通，再逐步尝试高级选项。

场景快照：两个真实瞬间

功能列表再长，也不如看它在一两个具体场景里带来的改变。

第一个场景是我自己的例会。以前开完会要靠回忆补纪要，现在会刚开完，原始文本已经在 TMSpeechLogs 里躺好，我只需删掉口水话、整理成要点发出去，前后不到十分钟。

第二个场景来自一位听障朋友。他看直播课、参加远程面试都靠字幕辅助，TMSpeech 的离线属性让他格外安心——音频全程不经过任何第三方服务器，敏感内容只存在于自己的电脑上。他还会把字幕调大字号、拉高对比度，完全贴合自己的视觉习惯。

工具的价值往往不在功能列表里，而在这些具体时刻：被点到名时的从容，补纪要时的手到擒来，以及不必为隐私担忧的那份踏实。

延伸与展望：从使用者到参与者

TMSpeech 是开源项目，源码、插件接口和架构文档都完整放在仓库里，README 也写得很直白。如果你懂 C# 或 Windows 开发，可以试着给它提交插件、换更好的模型；如果你只是普通用户，也可以在项目讨论区反馈 bug、提出新需求——作者很需要真实使用者的声音。

从路线图来看，翻译器插件、Linux 支持和插件自动更新都已排上日程。这意味着现在的使用者，将来可能迎来英文字幕直译、跨平台运行等新能力，而这些都建立在插件化的灵活架构之上。

想尝鲜的话，克隆仓库也很直接：git clone https://gitcode.com/gh_mirrors/tm/TMSpeech

下一步：现在就去试一下

回到开头那个场景。下一次线上会议，与其担心被点名时接不上话，不如先让字幕替你记着。下载 TMSpeech，装好模型，按下开始键——十分钟之后，你大概会和我一样发现：原来开会走神这件事，也可以被安排得明明白白。

【免费下载链接】TMSpeech腾讯会议摸鱼工具项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech