免费开源的实时语音转文字工具 TMSpeech 使用测评：让电脑替你把话记下来
【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
上周三的周例会，我盯着投屏上的表格走神了三分钟，脑子里全是"中午吃什么"这种哲学问题。领导毫无征兆地开口："刚才这段，你帮大家复述一下重点。"那一刻，会议室安静得能听见空调的风声，而我只记得最后一句话的后半截。
这种"被点名却大脑空白"的时刻，恐怕每个上班族都经历过。它逼着我给自己定了个小目标：找一款 Windows 上的实时语音转文字工具，让电脑在我走神的时候替我把话记下来。既要免费，又要本地运行——语音内容不出本机，才敢放心让它整个会议期间一直开着。绕了一圈，我在开源社区里找到了 TMSpeech，一个把自己戏称为"开会摸鱼工具"的开源项目，试用满一个月后，决定把这段真实体验原原本本写给你。
先说清楚：这不是官方文档，而是一个普通用户一个月来的实测记录，安装、配置、踩坑、进阶的经验都会摊开讲，你完全可以跟着步骤一边看一边动手。
这笔账怎么算都不亏：本地语音识别到底替你省下什么
很多人对"语音转文字"的第一印象来自手机输入法或在线会议软件。但它们要么只处理麦克风里单一说话人的声音，要么必须把音频传到服务器上——你根本不知道这段录音最后去了哪里。
TMSpeech 走的是完全不同的路线：
- 抓的是电脑自己播放的声音。会议软件、网课、视频播放器、游戏里传出的任何语音，都能实时变成字幕，像歌词一样浮在屏幕上；
- 识别全程在本地完成。整套是离线语音识别软件，你的语音数据不出电脑，隐私这一关天然就过了；
- 资源占用低得让人意外。开发者实测的数据是 AMD 5800u 笔记本上 CPU 占用不到 5%；我自己在办公室的老台式机上跑，边上开着十几个网页和办公软件，也感觉不到它的存在，在低 CPU 占用语音识别软件里属于第一梯队；
- 连"静音"都拦不住它。它利用 Windows 的 WASAPI 环回捕获机制采集内部音频，哪怕你系统静音了，电脑里正在播放的语音照样能被捕捉到。
一句话总结：它就像随叫随到的听写秘书，把从扬声器里流过的每一句语音，都悄悄变成可随时回看的文字。
如何在 3 分钟内跑起这套语音识别
起步比想象中简单得多。想自己编译，可以执行git clone https://gitcode.com/gh_mirrors/tm/TMSpeech；只想尽快用起来，直接下载官方打包好的 Release 压缩包，解压后双击TMSpeech.exe就行。首次运行会自动生成默认配置，你几乎不需要做任何设置就能看到主界面。
主界面走的是极简路线：一个无边框的悬浮窗口，可以随意拖动、拉伸，想放哪都不挡事。窗口顶部的红色计时器从开始录音的那一刻起跳动，旁边是暂停和停止按钮；右上角三个小图标分别是历史记录、界面锁定和设置入口。
到这里，工具已经能跑了。接下来的关键，是让它"听懂你想听的东西"——这就轮到它最核心的插件化设计登场了。
场景一：开会时偷偷记录系统声音
会议室里的音频来自软件、说话内容来自对方那头，你的电脑只是"旁听"——所以正确做法是把语音源切到系统音频。TMSpeech 的音频源插件都在src/Plugins/TMSpeech.AudioSource.Windows/目录下实现，一共三种：
- 系统音频：捕获电脑正在播放的所有声音，适合会议、网课、视频；
- 麦克风：只收话筒输入，适合你独自对着电脑口述想法；
- 进程音频：只监听指定程序的输出，适合多任务同时跑时的精准隔离。
选好"系统音频"之后，会议里传出的每一句话都会实时变成字幕。更贴心的是它还有一个敏感词提醒功能——在配置里填几个关键词，一旦识别内容命中就会触发系统通知。电话会里谁提到了你的名字，你抬眼就能看到，再也不用心虚地反复刷新消息。
场景二：外语课跟不上？先装一个语言模型
实时语音转文字的质量，很大程度上取决于你加载的模型。打开设置里的"资源"页，会看到一份可安装清单：中文模型、英文模型、中英双语模型，后面各跟一个"安装"按钮。挑一个匹配自己使用场景的，点下去，等下载完成，状态变成"已安装"就大功告成。
内置资源存放在程序目录的plugins/文件夹里，属于"开箱即用"的部分；而你自己点击安装的模型会进入%AppData%/TMSpeech/plugins/。想清理或更换模型时，动后面这个目录就行。
场景三：嫌它慢？给它换一颗更快的"大脑"
如果你觉得识别速度有提升空间，问题多半不在网络，而在识别器本身。设置面板的"语音识别"页提供了三个可随时切换的选项，界面长这样：
- Sherpa-Onnx 离线识别器：基于 CPU 优化，是普通办公电脑的默认选择，速度与资源占用平衡得最好；
- Sherpa-Ncnn 离线识别器：可以调用 GPU 加速的版本，适合游戏直播这类对实时性要求极高的场景；
- 命令行识别器：把识别任务交给任何外部程序，上限完全由你决定，后面专门讲。
普通办公本选 Sherpa-Onnx 就够用；追求极限速度的玩家或主播，可以直接切到 Ncnn 版。切换识别器不会影响你已经下载的模型，随时可以换回来。
低配置电脑的性能调优技巧
如果你的机器比较老旧，或者想让它长期挂在后台，可以再做三件小事：
- 固定使用 Sherpa-Onnx 识别器，它在 CPU 上的表现最平稳；
- 打开配置文件
%AppData%/TMSpeech/config.json，把采样率等音频参数适当调低，同时按需微调字号：
"recognizer.source": "SherpaOnnx", "appearance.FontSize": 48- 关闭或减轻实时标点这类后处理负担较重的选项，让识别帧率保持稳定。
字体颜色、阴影、对齐方式这些外观参数同样能在配置里微调。把窗口调成只剩一行清清爽爽的字，读起来最舒服。
想找回"灵光一现"的瞬间？历史记录就在这里
走神不可怕，可怕的是回过神来才发现关键那句没听见。TMSpeech 默认会把每次识别结果按日期保存到"我的文档"下的TMSpeechLogs文件夹里。打开历史窗口，就能按时间顺序回看一整天的记录；右键可以复制单条，也可以全选导出，整理会议纪要时尤其顺手。
新手可能踩过的 5 个坑
第一个月里我自己就掉进去过，提前帮你排排雷：
- 没装模型就急着用。装好软件不等于能识别，先去"资源"页把对应语言模型装上；
- 改了配置却不生效。部分设置在工作运行期间会被锁定，改完记得重启程序；
- 命令行识别器"没反应"。它需要子进程自己获取音频源，此时设置里的音频源选项不会生效，别白忙活；
- 批处理脚本卡在最后。如果识别程序是
.bat，开头要加@隐藏命令回显，结尾千万别写pause，否则程序无法判断进程是否退出； - 带空格的路径传不进参数。给命令行识别器传参时，含空格的路径需要用双引号包起来。
进阶玩法：接上你想要的任何识别引擎
命令行识别器的存在，意味着 TMSpeech 的上限由你自己决定。它用一套固定协议工作：子进程把识别结果输出到标准输出，单个换行表示"当前句子有更新"，连续两个换行表示"这一句识别完成"。项目在external_recognizer/目录下提供了现成的 Python 示例脚本，docs/里也有插件交互流程说明——照着葫芦画瓢，就能把 Whisper、云端 API 或任何开源模型接进来。想深入理解各模块怎么协作，src/TMSpeech.Core/和src/Plugins/是最好的起点。
三步上手清单，然后一起把它变得更好
到这里，我踩过的路你已经全部看清了。现在，只需要三步：
- 下载 Release 压缩包（或
git clone https://gitcode.com/gh_mirrors/tm/TMSpeech自行编译），解压并双击TMSpeech.exe； - 到"资源"页安装语言模型，在"语音识别"页选好识别器；
- 回到主界面按下开始，让字幕在屏幕上流动起来。
如果你试用后发现识别率不够理想，多半需要换一个更匹配的模型；如果你有新的功能想法，欢迎直接参与项目讨论，贡献代码、模型或文档。开源软件的生命力，正在于每个使用者都愿意多往前推一把——你的第一条反馈，或许就是这个工具下一个版本的起点。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
