把豆包输入法里的语音转文字能力单独抽出来的 Windows 小工具：按住快捷键说话，松开后文字直接输入到当前光标处，不用切换输入法；也可以切换成按一次开始、再按一次结束的免按模式，或点一下悬浮按钮直接说话。除豆包本地 SDK 外，还用纯 Python 重写了豆包云端 API、千问、微信输入法、百度输入法和讯飞的云端识别协议，六种引擎可在设置中切换。

• 识别引擎可切换：豆包（本地 DLL）、豆包（云端 API）、千问、微信输入法、百度输入法、讯飞；云端引擎无需登录
• 测试全部引擎：在设置里点“测试全部引擎”，同一段话同时交给六个引擎识别，并显示各自耗时与最快/最慢
• 长按说话、松开输入，Esc 取消；轻点一下会自动忽略，不会上传识别；也支持免按模式（按一次开始，再按热键、任意键或鼠标键结束）
• 实时转录浮层，边说边看；圆角半透明样式，聆听时音波随音量实时跳动
• 悬浮按钮（默认关闭）：单击开始说话、再单击结束，可自由拖动、右键隐藏，不抢焦点
• 默认快捷键 右 Alt，可改成组合键、单功能键或鼠标中键/侧键
• 图形设置窗口：标题显示版本号，输入方式、快捷键、麦克风、文字格式、开机自启集中配置
• 麦克风可选自动检测或指定设备
• 文字格式可调：标点展示、汉字与数字/英文之间是否加空格、按句末标点自动分段
• 热词替换：识别结果中出现指定词时自动替换成另一个词；可在设置里添加，也可直接编辑 hotwords.txt
• 智能文字整理：识别结果先照常输入，再自动排版、纠错、润色；按 Ctrl+Z 可恢复原文
• 选中文字整理：选中一段文字后按自定义快捷键（默认未设置），原地排版、纠错、润色；选中不足 5 字不处理，Ctrl+Z 可恢复原文
• 输入结果校验：文字没进输入框时自动复制到剪贴板，不会丢
• 麦克风策略可切换：麦克风预热（默认，空闲时保持连接，延迟最低），或仅在录音时打开、结束即关闭（系统麦克风指示器只在录音时亮）
• 托盘图标与菜单：设置、设置语音快捷键、设置整理快捷键、开机自启、麦克风预热、显示悬浮按钮、智能文字整理、打开日志文件夹、退出
• 单实例运行，重复启动会提示
• 无控制台窗口，开机自启不打扰
• 绿色单文件，无需安装

单个版本，约 15 MB，包含六种识别引擎和智能文字整理，无需安装豆包输入法，也不依赖任何豆包运行时文件。

按住快捷键说话时，屏幕底部浮层实时显示识别文字。浮层为圆角半透明样式，左侧音波随音量实时跳动：音波在动但长时间不出文字，多为引擎或网络问题；音波完全不动，多为麦克风问题。

松开按键后等待最终结果：

输入成功：

注入失败时自动把文字放进剪贴板：

悬浮按钮（在设置或托盘菜单开启）：单击开始说话，再单击结束；录音中按钮变为浅蓝色描边：

托盘右键菜单：

1. 从 Releases 下载 DoubaoVoice.exe
2. 双击运行，出现托盘图标即已就绪
3. 在任意输入框里按住 右 Alt（或你设置的快捷键）说话，松开后自动输入；按 Esc 取消本次录音
4. 想免按说话时，在设置或托盘菜单开启悬浮按钮：单击开始录音，再单击结束；按钮可拖到屏幕任意位置，右键隐藏
5. 右击托盘图标选择“设置…”可集中调整输入方式、快捷键、麦克风、文字格式、热词替换与整理快捷键；托盘菜单也可快速设置语音/整理快捷键、开机自启、麦克风预热或退出
6. 选中文字后按整理快捷键（需先在设置中设置）即可原地整理选中内容

右击托盘图标选择“设置…”，或在启动时加 --settings：

窗口标题带当前版本号（如 v2.2.0），便于确认正在运行的是哪个版本。

• 语音输入方式：长按说话（默认）或免按模式。长按模式下可设置最短按住（默认 0.25 秒）：按住时间短于该值时视为误触，直接忽略，不上传也不识别；设为“不限制”则保留旧行为。免按模式按一次热键开始录音，再按同一热键、任意字母/数字键、空格/回车或鼠标键结束；单按 Ctrl/Alt/Shift 不会结束；录音中按 Esc 取消。
• 识别引擎：豆包（默认，使用内置 SDK）、豆包（云端 API）、千问（云端 API）、微信输入法（云端 API）、百度输入法（云端 API）、讯飞（云端 API）。切换后立即生效，下一次录音使用新引擎；云端引擎不需要登录或填任何密钥。云端引擎不提供“数字、英文”空格选项，切换到云端后该项自动置灰。点击旁边的“测试全部引擎”可打开测试窗口：按住按钮说话（也可点一下开始、再点一下结束），六个引擎同时识别同一段录音，并显示各自从停止说话到出结果的耗时，以及最快/最慢的引擎。
• 快捷键：点“更改…”后按下新组合键，必须包含 Ctrl/Alt/Shift，或使用 F1–F12；鼠标中键、侧键（后退/前进）可以单独使用，也可以搭配 Ctrl/Alt/Shift。若侧键被厂商驱动改成了键盘宏，会按键盘键识别。
• 麦克风：输入设备可自动检测（系统默认）或指定，列表只包含 MME / DirectSound 设备。麦克风预热默认开启：空闲时保持音频流，不上传也不识别，只缓存最近约 0.15 秒用于补上开口瞬间，延迟最低；关闭后只在录音期间打开，系统麦克风指示器随之熄灭，代价是通话/蓝牙设备启动时可能多几十毫秒。
• 文字格式（下次识别时生效）：
  • 标点展示：保留所有标点 / 句末不加句号（只去掉结尾的句号，保留问号、感叹号）/ 句末不加标点 / 空格代替标点
  • 数字、英文：汉字与数字/英文之间是否留空格，由识别服务处理
  • 分段方式：不自动分段（默认）/ 分段后空行 / 分段不空行。程序按识别文本中的句末标点（。！？；等）切段；如果整段只有末尾一个标点，就不会产生多个分段。
• 热词替换：在“原文”和“替换为”中填写后点“添加”，规则会追加到 exe 同目录的 hotwords.txt；也可以点“打开配置文件”直接编辑。每行一条，格式为 原文 -> 替换为（也支持 => 和 →），以 # 开头的行会被忽略。替换在最终文字注入前执行，较长规则优先；智能整理后的文字也会再次套用。修改文件后，下次识别自动生效，无需重启。
• 智能文字整理（默认关闭）：语音输入完成后，把识别结果交给豆包服务做排版、纠错、润色，再用整理后的文字替换刚输入的内容。整理后按 Ctrl+Z 可恢复原文。仅在文字确实发生变化时才替换；替换前会确认仍停留在原来的输入框，用户中途按键、点鼠标或切换窗口都会放弃替换。
• 整理快捷键（默认未设置）：先在任意输入框选中一段文字，再按这个快捷键，程序会复制选区、交给豆包服务整理，然后用结果替换选区。选中文字不足 5 字时不会处理，超过 12000 字会提示过长。处理期间会用剪贴板临时复制和粘贴，结束后恢复原来的剪贴板文字。按快捷键时请先松开快捷键再等待结果；如果整理期间窗口被切换或你继续输入，结果会改为复制到剪贴板。整理快捷键不能与语音快捷键冲突，也不能设为 Ctrl+Z。
• 悬浮按钮（默认关闭）：开启后在屏幕右下角显示圆形按钮，单击开始说话、再单击结束，等同免按模式；按住拖动可移到任意位置，位置自动保存；右键按钮隐藏。按钮不激活、不抢焦点，不影响当前输入框。托盘菜单的“显示悬浮按钮”与设置里的勾选同步。
• 开机自启：写入当前用户的启动项。

设置保存在 exe 同目录的 config.json，热词规则保存在同目录的 hotwords.txt。config.json 对应字段：voice_mode（hold / hands_free）、min_hold_ms（0 / 150 / 250 / 400）、hotkey、mic_device、mic_mode（always / press）、punctuation_mode（keep_all / remove_period / remove_trailing / space_replace）、zh_space、paragraph_mode（none / blank / single）、smart_text、smart_hotkey（空字符串表示未设置）、asr_engine（doubao / doubao_api / qwen / wetype / baidu / ifly）、float_visible（true / false）、float_pos（[x, y] 屏幕坐标）。

麦克风默认预热，Windows 的麦克风使用指示器会一直亮着。它不会在空闲时上传或识别，按下快捷键后才开始录音，并补上开口前的约 0.15 秒缓存。不需要常亮指示器时可在设置中取消“麦克风预热”，之后只在录音期间打开麦克风，松开就关闭，指示器随之熄灭；代价是每次按下要花几十毫秒打开设备（蓝牙耳麦更久），开口的第一瞬间可能漏掉一点。

六种引擎都在各自厂商的服务器完成识别，需要联网。豆包本地引擎走内置 SDK（与豆包输入法同一通道）；豆包云端、千问、微信输入法、百度输入法与讯飞引擎是按官方客户端协议直接连接云端，不需要安装对应输入法，也不需要登录。如果听不到声音，检查“设置 → 隐私 → 麦克风”是否允许桌面应用访问麦克风。

云端引擎首次使用会在 exe 同目录生成设备标识：千问为 qwen.json（随机设备 ID），微信输入法为 wetype.json（匿名设备注册得到的设备码与 UIN），百度输入法为 baidu.json（随机 CUID），豆包云端为 doubao_api.json（匿名设备注册得到的设备 ID 与机型指纹），均不包含账号、密码或手机号。录音只发送给当前选中的识别引擎；切换引擎后，旧引擎不会收到新的录音。

开启“智能文字整理”后，识别出的文字还会发送到豆包服务做二次处理；使用整理快捷键时，选中的文字也会发送到同一服务。程序直接用纯 HTTP 调用豆包输入法的文字整理接口，不内置或解压豆包运行时，也不需要安装豆包输入法。接口只接收本次文字，不包含账号信息。

环境：Windows x64、Python 3.11。

pip install -r requirements.txt
python -m PyInstaller --noconfirm --clean DoubaoVoice_new.spec

产物为 dist\DoubaoVoice.exe。app/dll 内的两个豆包语音 DLL 随 exe 一起打包，供豆包本地引擎使用；app/opus.dll（libopus 1.6.1）供豆包云端、微信、百度三个云端引擎做 Opus 编码，许可信息见 THIRD_PARTY_NOTICES.md。推送 v* 标签时 GitHub Actions 会构建并发布 Release。

程序是无控制台的 GUI 程序，参数只在本次启动生效，屏幕上不会有文字输出；识别结果显示在悬浮窗，详细信息写入 exe 同目录的 logs\voice_ime-YYYY-MM-DD.log（按天分文件）。

常用示例，在 exe 所在目录执行：

:: 测试识别：不碰麦克风、不注入，结果看日志
.\DoubaoVoice.exe --once --wav "D:\doubao_work\asr16k.wav" --no-inject --no-ui --no-tray --verbose

:: 用云端引擎测试识别（doubao_api / qwen / wetype / baidu / ifly）
.\DoubaoVoice.exe --once --wav "D:\doubao_work\asr16k.wav" --engine doubao_api --no-inject --no-ui --no-tray --verbose
.\DoubaoVoice.exe --once --wav "D:\doubao_work\asr16k.wav" --engine baidu --no-inject --no-ui --no-tray --verbose

:: 指定第 2 个麦克风
.\DoubaoVoice.exe --device 2

:: 某些软件收不到模拟输入时，改用剪贴板粘贴
.\DoubaoVoice.exe --inject paste

:: 只识别不输入，悬浮窗显示识别结果
.\DoubaoVoice.exe --no-inject

补充说明：

• 设备编号可以用 python -c "import sounddevice as sd; print(sd.query_devices())" 查看，输出每行开头的数字就是编号；启动后日志也会打印实际使用的设备名。
• 带 --wav 的测试会跳过单实例检查，正常程序开着也能同时运行。
• 注入失败时（无论哪种注入方式）文字都会自动复制到剪贴板，不会丢。
• 开机自启固定以无参数方式启动。想固定使用某个参数，需要在 HKCU\Software\Microsoft\Windows\CurrentVersion\Run 里手动给命令追加参数，或做一个带参数的快捷方式。
• PowerShell 启动 GUI 程序不会等待结束；需要等待时可使用 Start-Process -FilePath .\DoubaoVoice.exe -ArgumentList '...' -Wait，Git Bash 中直接运行会等待。

app/voice_ime.py        主程序（键盘/鼠标钩子、录音、ASR、文字注入、设置窗口、托盘、开机自启）
app/api_common.py       云端引擎公共件（protobuf、snappy、AES、WebSocket、HTTP、Opus 封装）
app/api_doubao.py       豆包云端识别
app/api_qwen.py         千问云端识别
app/api_wetype.py       微信输入法云端识别
app/api_baidu.py        百度输入法云端识别
app/api_ifly.py         讯飞云端识别
app/api_smart.py        豆包文字整理接口
app/opus.dll            云端引擎用 Opus 编码器（libopus，BSD）
app/dll/                豆包 SAMI Core SDK
app/icon.ico            程序与托盘图标
app/float.ico           悬浮按钮图标
DoubaoVoice_new.spec    PyInstaller 打包配置
tools/                  逆向分析辅助脚本
THIRD_PARTY_NOTICES.md  第三方组件许可

运行日志按天保存在 exe 同目录的 logs\ 文件夹（voice_ime-YYYY-MM-DD.log）；配置、热词规则和云端引擎的设备标识保存在 exe 同目录：config.json、hotwords.txt、qwen.json、wetype.json、baidu.json、doubao_api.json。

云端识别引擎（豆包云端、千问、微信输入法、百度输入法、讯飞）的协议细节与实现思路参考了 J3n5en/voicekey，感谢原作者对输入法语音协议的研究与公开分享。VoiceKey 仓库目前未附带 LICENSE；本项目仅参考其协议思路与参数，相关代码按本项目结构重写，未直接复制其代码，也不包含其任何文件。

• 非官方项目。豆包本地识别调用豆包输入法内置的 SDK 与凭据；豆包云端、千问、微信输入法、百度输入法与讯飞识别是按各自官方客户端的行为重写的协议实现，其中讯飞使用客户端内置的 APPID/API Key/Secret，其余复用客户端公开标识或匿名设备注册，与字节跳动、阿里、腾讯、百度、科大讯飞均无关联。账号与数据使用受对应服务条款约束。
• 云端识别协议可能随官方客户端更新发生变化，若某引擎突然失败，可先切换到其他引擎，再打开日志文件夹定位。
• 仅供个人学习使用，请勿分发 app/dll 中的豆包 SDK 文件。
• 快捷键没反应时先看托盘菜单的“打开日志文件夹”里的当天日志，常见原因是组合键被其他软件占用。