声墨 · VoxInk

识别能力

语言与方言

普通话、粤语、英语，混着说也行

识别引擎按多语种与方言设计，开口前不需要先选模式，一句话里中英夹杂也能识别。

• 普通话
• 粤语
• 英语
• 日语
• 吴语
• 闽语
• 客家话
• 赣语
• 湘语
• 晋语

中文方言

7 种：吴语、粤语、闽语、客家话、赣语、湘语、晋语

地域口音

26 种：河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西、河北、天津、山东、安徽、南京、江苏、杭州、甘肃、宁夏等

外语

英语、日语；识别引擎支持语种自由切换与混合识别

中英混说

「这个 assert 要加 timeout」这类中英夹杂不用切换模式

输出语言

说中文可直接输出 English / 日本語 译文，专有名词保持原样

专有名词

热词表纠正同音错字：人名、公司名、产品型号以你的写法为准

能力来自识别引擎：本地为 Fun-ASR-Nano（中文含 7 方言与 26 口音、英文、日文），云端为实时识别引擎，两者可在托盘里切换。

第一段

听清

边说边出字，专有名词不会认错

按下按键就建立连接，不用等你说完；云端不可用时自动切到本地模型，离线也能用。人名、公司名、产品型号写进一个纯文本文件——识别时作为偏置提示，整理时作为基准，改完保存立即生效。

第三段

落到光标

每一步有反馈，每一步能反悔

提示条显示、置顶，但绝不抢走你正在打字的窗口的焦点；粘贴前等你松开按键，用完把剪贴板还回去。整理得不合心意，按一下 F8 换一种说法，可以连续换。

数据

实测

松开手到文字出现，中位 1.6 秒

这是本机运行日志里 19 次口述记录的聚合结果，不是理论值。识别与整理的时间是相加的，所以两段都压在一秒以内，才敢说「松开就出字」。

• 1.6 秒松开手到文字出现（中位）
• 19 次本机实测口述记录
• 0 次记录内的失败
• 5 类自动识别的写作场景

硬件方向

声纹闸门

只有你的声音，才会被写下来

在采集之后、识别之前加一道闸门：设备上的语音处理单元（VPU）先比对声纹，判定为本人这一段才继续往下走；不是本人说的话，整段丢弃，不产生任何输入。判定在设备侧完成，音频不出设备。

判定位置

设备侧 VPU 本地比对，不需要上云，音频不离开设备

录入声纹

说 3 句话建立模板，约十秒；模板只存设备本地，可一键删除

闸门行为

本人 → 进入识别与整理，落进光标；非本人 → 整段丢弃，不产生任何文字

拒识反馈

屏幕提示「未识别为本人，已忽略」，可以立刻重说——不会出现「说了没反应」

判定粒度

按语音段判定而不是整段录音一刀切：会议里只写我说的话，别人的发言自然被挡在外面

已知限制

声纹有误拒与误受：感冒、疲劳、离麦克风的距离变化都会影响；录音回放本身不防（需要活体线索）。因此必须提供重试与临时关闭开关

隐私

声纹是生物特征：模板留在设备本地、加密存储、可删除，不参与任何云端处理

这一段是硬件方向的能力规划：当前软件版本还没有声纹链路，采集侧的硬件（麦克风 + VPU + 物理按键）先落地，才能把它接上。