PushToTalk 是一款面向 Windows 平臺的高性能桌面語音輸入工具，它基于國產(chǎn)大模型（豆包/千問）提供的實時自動語音識別（ASR）能力，實現(xiàn)了低延遲、高準(zhǔn)確率的語音轉(zhuǎn)文字功能，并進(jìn)一步集成了大語言模型（LLM），支持在轉(zhuǎn)寫后進(jìn)行智能潤色、摘要或指令執(zhí)行。用戶只需按住 Ctrl?+?Win（或自定義快捷鍵）說話，松開后系統(tǒng)會自動將識別結(jié)果粘貼到當(dāng)前光標(biāo)所在的文本框，實現(xiàn)“按鍵即寫”的流暢體驗。

• PushToTalk開源項目官網(wǎng)網(wǎng)址：https://github.com/yyyzl/push-2-talk
• PushToTalk官方下載地址：https://github.com/yyyzl/push-2-talk/releases

該項目提供兩種主要工作模式：

• 聽寫模式——傳統(tǒng)的語音轉(zhuǎn)文字，適用于會議紀(jì)要、文檔撰寫等場景；
• LLM 模式——在轉(zhuǎn)寫基礎(chǔ)上調(diào)用大語言模型進(jìn)行內(nèi)容優(yōu)化或生成，提升寫作效率。

核心特性

一、雙模式工作

1.聽寫模式 – 傳統(tǒng)的語音轉(zhuǎn)文字功能

• 按住模式：按住快捷鍵錄音，松開停止（傳統(tǒng)方式）
• 松手模式：按一次 F2 開始錄音，再按一次結(jié)束（防止誤停）

2. AI 助手模式 – 語音控制文本處理

• 無選中文本：Q&A 模式，提問獲得答案
• 選中文本：語音命令處理文本（翻譯、潤色、總結(jié)、擴(kuò)寫等）

二、核心功能

1. 實時流式轉(zhuǎn)錄 – WebSocket 邊錄邊傳，極低延遲（< 500ms），松手即出字
2. LLM 智能后處理 – 內(nèi)置”文本潤色”、”郵件整理”、”中譯英”等預(yù)設(shè)，支持自定義 Prompt
3. 自定義快捷鍵 – 支持 73 種按鍵綁定（修飾鍵、字母、數(shù)字、功能鍵、方向鍵等）
4. 多 ASR 引擎 – 支持阿里云 Qwen、豆包 Doubao、SiliconFlow SenseVoice
5. 智能兜底 – 主引擎失敗時自動切換到備用引擎，并行競速
6. 可視化反饋 – 錄音狀態(tài)懸浮窗，實時波形顯示，三種視覺狀態(tài)
7. 音頻反饋 – 錄音開始/結(jié)束的清脆提示音，盲操也放心
8. 歷史記錄 – 自動保存轉(zhuǎn)錄歷史，支持搜索、復(fù)制、清空
9. 系統(tǒng)托盤 – 支持最小化到托盤、開機(jī)自啟動
10. 自動更新 – 內(nèi)置 6 個鏡像源，自動檢查并安裝更新
11. 多配置管理 – 支持保存多套 LLM 預(yù)設(shè)，通過界面快速切換不同場景

PushToTalk 采用純本地運行的設(shè)計，數(shù)據(jù)不上傳云端，兼顧隱私安全；同時提供開箱即用的二進(jìn)制發(fā)布和源碼編譯指南，方便開發(fā)者二次開發(fā)或自行部署。項目在開源社區(qū)獲得了積極反饋，用戶可通過 GitHub 提交 Issue 或 Pull Request 參與改進(jìn)。

PushToTalk 將語音識別、語言模型與快捷鍵交互深度融合，為 Windows 用戶提供了一站式的語音輸入解決方案。