TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
CapsWriter Offline 開源語音輸入，按住 CapsLock 說話就打字
CapsWriter Offline 是 Windows 開源語音輸入工具，按住 CapsLock 說話、鬆開就自動打字，辨識引擎全程在本機執行，也能把音影片檔轉成 srt 字幕。台灣用戶改一行設定就能輸出繁體中文。
用 AI 摘要這篇文章：
CapsWriter Offline 是一套裝在 Windows 上的開源聽寫工具：按住鍵盤的大寫鎖定鍵（CapsLock）說話，鬆開，辨識好的文字就直接打進游標所在的位置。語音辨識引擎放在自己的電腦裡跑，錄音、辨識結果、日記檔全部留在本機。結論先講：在 Windows 10 或 11 上想找免費、離線的語音輸入方案，它值得裝來試；Mac 使用者官方版本連原始碼執行都不支援，請直接看後面的替代路線；而期待「AI 幫我把話潤飾好」的人要看清楚，那層功能預設走的反而是雲端服務。
按住鍵說話，鬆開就輸入：它把自己做成鍵盤的一部分
這套工具的核心互動只有一個動作：按住 CapsLock（或滑鼠側鍵 X2）開始說話，鬆開鍵，整句文字立刻輸入到當前游標。沒有視窗要切換、沒有按鈕要點。作者對它的定位寫得很白：這是一個像鍵盤、滑鼠一樣的基礎輸入工具，開機自動常駐，安靜地在系統匣工作。
圍繞這個核心，有幾個設計細節值得知道。
麥克風是持續開啟的。作者在常見問題裡解釋過原因：系統開啟麥克風有大約 0.5 秒延遲，如果按鍵時才開啟，開頭一兩個字會被吃掉。為了按下鍵就能立刻說話，它選擇讓麥克風一直待命，並宣稱實測對整機功耗影響很小。
按鍵行為本身也有變體可以選：除了按住說話的基本模式，還有類似對講機的鎖定模式，以及按一下開始、再按一下結束的單擊模式。說話時可以直接把「逗號、句號、回車」說出口，系統會自動換成對應的標點和換行，連續喊兩次回車也行。這些小地方加起來，決定了它用起來像不像身體的一部分。
每一句錄音和辨識結果都會自動歸檔：錄音存成音訊檔，文字照「年／月／日」的結構寫進 Markdown 日記。作者估算連續錄一個月不到 200MB、一年不會超過 3GB，比通訊軟體的聊天紀錄長得慢，所以刻意不做自動刪除。這對把語音當工作紀錄的人是加分，對隱私敏感的人則代表：你說過的每句話都以音訊形式留在硬碟裡，要自己定期清。
除了聽寫，它也能轉錄檔案。把音訊或影片檔直接拖到客戶端程式上，會在原檔旁邊生成三個檔案：srt 字幕、按標點分行的純文字、字級時間戳的 JSON。批次拖多個檔案也可以。這條路線需要另外裝 ffmpeg。長錄音的處理方式是分段辨識再合併，官方文件的說法是「理論上不限時長，服務端會逐段處理」，並老實補了一句：不排除超大檔案會觸發沒考慮到的錯誤。字幕的分行和句末時間軸在 2026 年 8 月被重寫過一輪：提交紀錄顯示分行改成兩段式，第一遍按標點切句、第二遍才在句內分行，句尾時間改為組句時計算，順手修掉了字幕提前 0.2 秒消失的老問題；辨識有錯字時，也可以拿 JSON 裡的字級時間戳手動校正時間軸。
服務端和客戶端是分開的兩個程式，這個架構有一個貼心的用途：跑不動模型的舊電腦，可以只執行輕量的客戶端（官方的純客戶端包標明適用 Windows 7 64 位元以上），連到區域網路裡另一台跑得動模型的機器輸入。家裡或辦公室有一台主力的話，其他設備都能借用它的辨識力。
「完全離線」要拆成兩層看
專案 README 的第一句話就是「完全離線」，這四個字需要拆開檢驗，因為它對兩層功能的真實程度不同。
辨識引擎這一層，離線是真的。專案內建四個語音辨識引擎，全部在本機跑：Paraformer 與 SenseVoice-Small 走 ONNX 格式，Fun-ASR-Nano 與 Qwen3-ASR 是作者自己打包的 ONNX 加 GGUF 版本，用 llama.cpp 推理。從整份儲存庫的原始碼看，核心程式裡沒有任何遙測、統計或版本檢查的程式碼，對外連線只有一個 WebSocket 伺服器（服務端與客戶端之間的通道）和本機的 UDP 廣播。換句話說，你講的話、錄的檔，辨識過程不出這台機器。斷網、保密環境、不想把聲音交給雲端的人，這層可以放心。
AI 潤色那一層，預設卻是雲端的。這套工具有「角色」機制：對著麥克風說出某個角色的名字開頭，辨識結果就會交給那個角色處理，例如潤色、翻譯、小助理。看角色設定檔的內容，預設的「大助理」角色指向 DeepSeek 的雲端 API，設定檔裡還留著作者自己遮罩過的 API 金鑰範例；「小助理」和「翻譯」兩個角色指向 LM Studio 的本機模型。作者在 2.6 版的更新說明裡也明講：預設角色改用 DeepSeek API，方便新使用者填入金鑰後直接體驗。
所以準確的講法是：聽寫本身零雲端，因為你沒說角色名時根本不會碰到 LLM；一旦用了潤色角色又沒改設定，你的文字就會送到 DeepSeek 的伺服器。想要「連潤色都離線」的人，要把角色設定改成 LM Studio 或 Ollama 這類本機推理方案再填自己的模型。這不是什麼見不得人的設計，但「完全離線」四個字確實沒有涵蓋這一層。
四個辨識引擎，照你的硬體選
引擎選擇直接影響速度和品質，作者的選法建議可以用一句話總結：有獨立顯卡選 Qwen3-ASR，只有內建顯示晶片可以先試它的較小量化版本，延遲太高再換 Fun-ASR-Nano，老機器用 SenseVoice。
| 引擎 | 作者評的準確度 | 速度 | 檔案格式 | 顯卡加速 |
|---|---|---|---|---|
| Paraformer | 三星 | 五星 | ONNX | 不支援 |
| SenseVoice-Small | 三星 | 五星 | ONNX | 支援 |
| Fun-ASR-Nano | 四星 | 四星 | ONNX＋GGUF | 支援 |
| Qwen3-ASR-1.7B | 五星 | 三星 | ONNX＋GGUF | 支援 |
作者公布的實測數字（20 秒音檔，CPU 為 Intel U9-285H、GPU 為 RTX5050）：Paraformer 與 SenseVoice 在 CPU 上都是 0.6 秒，SenseVoice 上顯卡可到 0.15 秒；Fun-ASR-Nano 是 CPU 2.0 秒、GPU 0.5 秒；準確度最高的 Qwen3-ASR-1.7B 是 CPU 4.0 秒、GPU 1.0 秒。這些是作者自己量測的結果，量級可以參考，實際表現取決於你的機器。
兩個細節：Paraformer 這個最早期的引擎被作者標註為「紀念性保留」，不建議使用；Qwen3-ASR 本身不產生時間戳，做字幕轉錄時要額外載入強制對齊模型，這也是它速度代價的一部分。另外 2.6 版加了一個預設關閉的「GPU 預加速」選項，給 NVIDIA 獨顯用：錄音開始時主動鎖定顯示卡記憶體的高頻率，避免顯示卡閒置降頻造成的冷啟動延遲，作者宣稱可把轉錄延遲壓到 0.1 秒左右。這是給計較反應速度的人的微調選項。
安裝是兩段式的：軟體本體約 110MB，模型每個從 500MB 到 1.5GB 不等，分開打包、分開下載。官方通道是 GitHub Releases 和 123 網盤。作者在 2.6 版的發布說明裡交代過換盤的原因：百度網盤免費版太慢、開會員又太貴，改用 123 網盤分享，實測不限速，每個月有 10GB 免費額度，超出的部分大約 0.2 元人民幣換 1GB。他也解釋過為什麼不做「打開自動下載模型」：大陸用戶連 GitHub 慢，百度網盤這類服務又不提供給第三方程式呼叫的 API，只好請使用者自己動手。這也順帶說明了它的主要使用者群在哪裡。
台灣使用者：一行設定讓它輸出繁體
預設的辨識結果是簡體中文，這可能是台灣使用者第一個撞上的牆。好消息是繁體輸出是內建功能，改一個設定就好。
在客戶端設定檔 config_client.py 裡，把 traditional_convert 從 False 改成 True，再把 traditional_locale 設成 ‘zh-tw’（台灣繁體；另外有 ‘zh-hant’ 標準繁體和 ‘zh-hk’ 香港繁體可選）。轉換用的是 zhconv 這個以 MediaWiki 轉換表為基礎的簡繁轉換模組，在收到辨識結果後、套用熱詞之前執行。以字元轉換來說它處理得算完整，但別期待它把簡體慣用詞換成台灣說法，它轉的是字，不是詞。
有一個順序上的細節：因為繁體轉換排在熱詞替換之前，而熱詞功能是拿來修正專有名詞的（例如把聽錯的英文品牌名強制換成正確拼法），熱詞表照簡體口吻維護會比較穩，避免轉換後的繁體字對不上熱詞比對。
熱詞是這套工具自訂能力的核心，一共三種檔案：hot.txt 做音素比對的強制替換（適合人名、術語、品牌），hot-rule.txt 用正規表示式或等號規則做精準替換，這兩種改完自動生效、不用重啟；hot-server.txt 則是給部分模型用的服務端語境增強，熱詞只作為辨識提示、不保證替換，作者自己補了一句：客戶端熱詞其實就已經完全夠用。熱詞可以用直線符號分隔多個別名，也有黑名單機制避免錯誤替換，讓「該換的換、不該換的別動」可以更精細地控制。作者在致謝裡坦白，音素熱詞檢索演算法是靠 AI 編程助手才寫得出來的，捐贈收入也主要花在訂閱這些服務上。
語言方面，除了中文專用、不支援英文的 Paraformer，其他引擎都支援中文和英文，SenseVoice 支援自動偵測，日文、粵語、韓文要指定，更多語言只有 Qwen3-ASR 引擎支援。輸出時它會自動處理中英混講的間距，也會把「十五六個」這類口語數字換成「15~16個」。
另外有個已知的輸入法干擾：部分中文輸入法（作者點名微信輸入法）會干擾系統的 Unicode 字元輸出，造成標點後面的字不正常。解法是切到英文鍵盤，或在設定檔把特定程式改成貼上輸出。
Mac 和 Linux 的替代路線
官方支援範圍寫得很明白：只有 Windows 10/11 的 64 位元版本保證完整可用。Linux 沒有測試環境，無法保證。Mac 則是明確不支援，原因是底層的鍵盤監聽函式庫已放棄 macOS。
這裡有個新舊資訊的陷阱：網路上流傳的介紹文章（包含引用舊版 README 的內容）會說 Mac 可以從 Python 原始碼執行，只是要用管理員權限、預設快速鍵改成右 Shift。以目前版本的 README 來看，這條路已經不通了，別照著舊文章白忙一場。
Mac 使用者有幾條現成的路：作者自己在 README 推薦了同樣走離線引擎、跨平台的 LazyTyper 和閃電說；專案的置頂 issue 也官方彙整了第三方適配版本，包括 Apple Silicon 的 CapsWriter-for-macOS、Linux 離線環境的適配分支，以及加了靈動島動畫和串流辨識的 VoxCaps 分支。有意思的是，VoxCaps 補的正是原作者明確表示不做的方法，上游作者不想加、社群自己 fork 一份做出來，這大概是開源專案最健康的樣子。TechMoon 先前介紹過的 macOS 本機聽寫工具 FreeFlow，也是 Mac 使用者可以比較的選項。
裝之前該知道的四個限制
有幾件事先知道，可以少走冤枉路。
安靜的時候別按著鍵不放。就算不說話，麥克風也會收到微弱的環境噪音，而辨識模型被強制要求輸出文字時，會對噪音「幻覺」出不存在的字。這是模型天性，官方文件建議真的要輸入時才按鍵。
想在以管理員權限執行的程式裡輸入，客戶端也要以管理員權限執行，否則鍵盤監聽會被擋住。這是 Windows 的限制，所有全域快捷鍵工具都會遇到。
服務端預設監聽所有網路介面上的 6016 連接埠，而且沒有身分驗證。自己一台電腦用沒問題（服務端和客戶端都在本機），但它的設計本來就允許一個服務端同時服務多台客戶端，在公司或宿舍的區域網路裡開著，同網段的人都能連上你的辨識服務。用不到多機共用的人，可以把設定檔裡的監聽位址改成 127.0.0.1。
更新節奏要有點耐心。最新版本標籤釘在 2026 年 5 月，但下載包其實在 9 月中又被替換過一次（檔名直接標 20260914），版本號沒有跟著跳。已經有使用者在 issue 裡催更新。單人開發、免費開源，這是你要接受的交換條件。
誰該裝，誰該繞路
適合：Windows 使用者，而且經常要打長文字（寫作、回訊息、填表單）；需要把錄音、會議、上課影片轉成字幕稿，又不想把檔案上傳到雲端轉錄服務的人；重視隱私、想在斷網或保密環境用語音輸入的人。熱詞機制對需要反覆輸入專有名詞的客服、醫療、法律從業者特別有價值。
不適合：Mac 和 Linux 使用者（官方不支援，走第三方適配要有折騰心理準備）；電腦規格較低又想要最高準確度的人（Qwen3-ASR 在純 CPU 下 20 秒音檔要轉 4 秒，開顯示卡加速時解碼器會佔約 1.6GB 顯示卡記憶體，弱機建議退到 SenseVoice）；期待「說話就自動變成潤飾好文章」的人，那要另外接雲端或本機 LLM，預設體驗不是這樣。
想比較其他方案的話，TechMoon 介紹過把語音轉 Markdown 的本機聽寫工具、用 Whisper 把 YouTube 影片轉文字的做法，以及 AI 課堂轉錄工具 ReadLecture，可以對照著看。
CapsWriter Offline 把「按住鍵說話」做成了鍵盤等級的輸入基礎設施，辨識引擎層的離線宣稱經得起原始碼檢驗，代價是你得接受它是個 Windows 限定、需要自己選引擎、自己調熱詞的工具人。它不神奇，但免費、乾淨、把該在本機的都留在本機。
