企业官网建设流程全解析

TMSpeech：Windows离线语音转文字实时字幕，会议纪要救星实战笔记

【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 离线语音转文字工具，捕获电脑正在播放的声音，实时转成文字上屏。全程本地运行、不联网，哪怕把音量彻底关到零，识别照样进行——这是它最戳我的一个特点。

开会走神被点名，是我最真实的场景

上个月一场 45 分钟的需求评审，我走神大概走了 20 分钟。产品经理突然cue我"刚才那段你怎么看"，我大脑一片空白，只能硬着头皮说"同意"。散会后回看，其实那 20 分钟里有一个关键变更跟我负责的部分直接相关。

我当时想的不是一款录音软件——录完还是要听 45 分钟音频——而是"能立刻读到的文字"。字幕要够快，记录要能翻，这才是刚需。

后来我找到了 TMSpeech。它捕获电脑播放的声音，实时转成歌词式字幕显示在屏幕上：走神几分钟，瞟一眼字幕就能接回话题；散会后打开历史记录，把整场会议翻出来整理成纪要。

五分钟跑起来

它没有安装向导，也不要求注册账号。从项目仓库的 Release 页面下载最新压缩包，解压后运行TMSpeech.exe就能跑；想用源码自己构建的话，执行git clone https://gitcode.com/gh_mirrors/tm/TMSpeech。

首次运行做三件事：

1. 打开设置，切到"资源"标签页，给中文模型点"安装"（约 300MB，只需一次）
2. 回到主窗口，点红色按钮开始识别
3. 识别结果会按日期自动存进"我的文档"的TMSpeechLogs文件夹

配置文件在%AppData%/TMSpeech/config.json，正常使用完全不用手动碰。Release 包附带一个重置配置的 bat 脚本，配置改乱了跑一下就能回到出厂状态，新手最担心的"调坏了怎么办"基本不存在。

三种音频源怎么选：你想"听"什么

音频源决定声音从哪来，内置三种，各自对应一类场景：

• Windows 系统内录：捕获电脑正在播放的全部声音，底层是 WASAPI CaptureLoopback。适合会议软件、在线课程、视频播放。附带一个很实用的效果：系统音量静音也不影响识别，因为音频是从系统内部直接取的
• Windows 麦克风输入：录你自己的说话声。适合语音笔记、口述草稿
• Windows 进程音频：只录指定程序的输出，其他应用一律忽略。适合只想盯某一个播放器或会议客户端。注意它要求较新的 Windows 版本（Win11 或 21H2 及以上）

一句话建议：大多数人用系统内录就够了，覆盖面最广；只有明确要录自己或某个特定程序时，才切另外两种。

识别引擎怎么选，语言模型怎么装

设置里切到"语音识别"标签页，就是识别器选择区。内置三类离线语音转文字引擎，定位差异很明显：

• Sherpa-Onnx 离线识别器：默认项，为普通 CPU 优化，装好模型即用。大多数人保持它
• Sherpa-Ncnn 离线识别器：支持 GPU 加速，对识别速度和资源占用有更激进要求的用户试试
• 命令行识别器：面向高级用户的开放接口。它启动一个外部子进程，把子进程的标准输出当字幕文本读，标准错误输出写日志文件，几乎任何能输出文字的识别程序都能接进来

下面这张截图是设置页面的语音识别区域，重点看中间的识别器下拉框和下方的模型配置项。

引擎是发动机，模型是燃料。设置里的"资源"标签页集中管理模型安装，目前提供 Zipformer-transducer 系列的中文、英文、中英双语模型，每项旁边就是"安装"按钮，中文模型体积在 300MB 级别，装完会显示已安装。

内置模型不合口味也不死路：去 sherpa-onnx 的预训练模型列表挑一个更合适的流式模型，回设置里改模型路径即可。

字幕显示与历史记录

点开始之后，电脑里的声音就变成屏幕上的实时字幕。字幕是一个无边框小窗口，可任意拖动、调整大小，右键能改字体、字号、颜色、透明度、阴影。把它贴在视频下方或会议窗口旁边，基本不挡内容。

下面是运行中的识别窗口，就一行当前语音，简单到没有学习成本。

与此同时，识别结果按句子落盘到"我的文档/TMSpeechLogs"，每次识别一个文件。开完会打开当天文件稍作整理，会议纪要就有了。历史记录页面支持右键或 Ctrl-C 复制，摘关键段落很方便。

还有个容易忽略的功能：设置"通知"标签页里可以填敏感词，某句话里出现就弹桌面通知。把同事的昵称填进去，会议里被提到就立刻有提示，挺香的。

命令行识别器：把自己的识别程序接进来

内置引擎都不满意的话，命令行识别器的扩展空间最大。它的协议很简单：

• 子进程标准输出里，以单个换行（\n）结尾的行是临时结果，用于更新当前句子
• 以多个换行（\n\n）结尾的行是最终结果，会被存入历史记录
• 标准错误输出写入日志文件，双方统一 UTF-8 编码

这个设计允许模型"边出字边纠正"：临时结果可以被后续结果改写，最终留下的是一条稳定的完整句子。参考 Python 脚本放在 external_recognizer/ 目录，改改就能跑起来。

有几个容易翻车的细节：

• 命令行识别器模式下，子进程独立获取音频，设置里的音频源切换不生效
• 程序参数用空格分隔，路径里带空格要用双引号转义
• 指定 bat 脚本时，开头加@隐藏命令回显，结尾别写pause（会导致无法检测进程退出）

⚡️## 真实感受与关键数据

体感上，作者实测在 AMD 5800u 笔记本上 CPU 占用不到 5%，我连挂一场一个半小时的会，风扇几乎没有动静，电池消耗也在预期内。音频按 16kHz 单声道采集，识别链路是"边说边出字"的节奏，滞后感基本察觉不到——不依赖网络往返，响应天然就快。

讲真，短板也有：识别准确率很大程度取决于模型。普通话标准的时候基本可用，但环境嘈杂、多人抢话、口音重的场景，错字会明显变多。好在模型只有 300MB 级别，换模型试错的成本很低。

📌 踩坑与高频问题

录不到系统内音。多数情况不是 TMSpeech 的问题，而是 Windows 音频设备设置。打开"声音控制面板"的"录制"标签页，启用"立体声混音"设备（没显示就右键空白处勾选"显示禁用的设备"）。

识别准确率不理想。先排查环境：环境音太吵、多人同时说话、音量不合适；再确认音频源选对没有。都正常的话多半是模型和场景不匹配，换一个模型，或去 sherpa-onnx 预训练列表找更合适的流式模型，在设置里改模型路径。

历史记录找不到。检查"我的文档/TMSpeechLogs"文件夹是否存在、有无写入权限。权限异常时，以管理员身份运行程序通常能解决。

CPU 占用偏高。配置一般的机器，选 Sherpa-Onnx 识别器、换轻量模型，能省下一部分开销。

命令行识别器没输出。九成是协议问题：临时结果要以单个\n结尾，句子结束要补一个空行。先翻它写入的 stderr 日志，一般能直接定位。

掀开引擎盖

TMSpeech 的代码是"核心框架 + 功能插件"结构。核心在 src/TMSpeech.Core/，管插件加载、任务调度、配置和资源；具体功能放在 src/Plugins/ 下，每个插件目录里有一个tmmodule.json自述文件，程序启动时扫描plugins目录，按描述加载对应程序集。

音频链路大致是：WASAPI 低延迟采集 →JobManager接收音频 → 识别器的Feed()方法流式识别 →TextChanged/SentenceDone事件更新界面。配置是 JSON 文件且支持热重载，改完字幕样式立刻生效，不用重启。

这套机制意味着：新增一个音频源、识别引擎或翻译功能，只需实现对应接口再放进插件目录，核心代码一行不用动：

IAudioSource IRecognizer ITranslator

项目用 C# 加 Avalonia 编写，结构清晰，想读源码的话是个友好的仓库。

回到开头那个走神的场景：现在开会我会让 TMSpeech 后台挂着，被点名时瞟一眼字幕就能接上话，散会后翻历史记录十分钟写完纪要。它免费、开源、离线，装好后几分钟就能干活。如果你正好需要一款 Windows 离线语音转文字工具，或者只是想让自己开会走神得安心一点，可以拉下来试试。项目对反馈很开放，用得不顺手直接提 Issue，发现了效果更好的开源模型，也欢迎推荐给项目方。

【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