FreeFlow：開源 macOS 語音聽寫工具，按住 Fn 把口說即時聽打成文字

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

在 macOS 上想把說的話直接變成文字，很多人最先想到的是 Superwhisper 或 Wispr Flow。這兩套工具把聽寫、順稿、專有名詞校正都包在一個 App 裡，代價是你要嘛付訂閱，要嘛買斷一套看不到原始碼的軟體，而且語音究竟經過哪些伺服器，你只能仰賴官網的隱私頁面。FreeFlow 走的是第三條路：原始碼攤開在 GitHub 上、MIT 授權可以商用，你自備一把 API Key，按住 Fn 就能把話聽打成文字。

FreeFlow 是一款只在 macOS 上執行的語音聽寫工具，原始碼公開在 GitHub（zachlatta/freeflow），以原生 Swift 寫成，到本文檢視時累積兩千兩百多顆星標、兩百多個 fork，授權是標準的 MIT。它的核心流程很直接：按住 Fn 鍵開始錄音，放開後把音檔送到語音轉文字模型，接著可選擇讀取你當下視窗的上下文做一次順稿校正，最後把結果貼進你正在輸入的欄位。預設的轉錄與順稿都走 Groq 的 API,但這個端點你自己可以換。專案最早由 Hack Club 創辦人 Zach Latta 起頭,目前實際維護者是另一位開發者 @marcbodea,最新版本是 2026 年 7 月中的 1.2.0。

這篇評測要把 FreeFlow 真正值得看的設計,和它要你承擔的幾個取捨分開講清楚。先看懂這一條:它雖然開源、也沒有自己的伺服器,但預設情況下,你的音檔、甚至你當下螢幕的截圖,都會送去 Groq 的雲端模型。「開源」不等於「語音留在本機」,它跟 Input 0 那種轉錄跑在本機的路線是兩件事。把這層資料流向看清楚,再加上讀屏帶來的隱私範圍、以及跟著 Groq 模型生命週期跑的維護負擔,才是判斷它適不適合你的真正依據。

Pin

跟 Superwhisper、Wispr Flow 比起來,它選了哪條路

macOS 上的 AI 聽寫這個分類,目前大概有三種商業模式。把它們擺在一起看,FreeFlow 的位置會比單看功能更清楚。

(上表對 Wispr Flow、Superwhisper 的描述依各工具官網與公開說明整理,查證時間為 2026 年 7 月;這兩套閉源工具的定價與功能會變動,實際以下方連結各工具官方資訊為準。)

Wispr Flow 著眼的是整合度,把聽寫、順稿、翻譯全部包好,你付月費換的是順手與不必設定;Superwhisper 著眼的是買斷,一次付費長期使用,模型與管線仍由官方決定。FreeFlow 把「用哪個模型、把資料送往哪個端點」這兩件事交回給你,代價是你得自己去 Groq 申請一把 API Key,並且自己決定要不要把端點改成本機。在授權上,它的 MIT 也跟 Input 0 採用的 CC BY-NC 4.0(禁止商業使用)不同,如果你想把它接進一個會產生營收的產品流程,FreeFlow 在授權上是明確允許的。

按一次 Fn,你的資料走了哪幾條路

FreeFlow 的 README 在 Privacy 段寫得很直白:「沒有 FreeFlow 伺服器,你的資料不會被儲存或保留,唯一離開你電腦的,是送往你設定的轉錄與語言模型供應商的 API 呼叫。」這句話本身屬實,但「API 呼叫」四個字涵蓋的範圍,比直覺來得大。對照原始碼,按住 Fn 講一句話,背後觸發的外送其實有四條。

• 音檔轉錄:你的語音先送到轉錄模型。FreeFlow 預設清單裡的 whisper-large-v3 與 whisper-large-v3-turbo,都是 Groq 平台上託管的 Whisper,等於連「把語音變成文字」這一步都在雲端完成,音檔會離開你的 Mac。
• 螢幕截圖:讀屏功能啟用時,它會擷取當前視窗的畫面,壓縮後一起送出去。原始碼 AppContextService.swift 裡的 screenshotDataURL、defaultScreenshotMaxDimension: 1024 與 screenshotCompressionPrimary: 0.5 說明了這張圖會被縮到最長邊 1024 像素、壓縮品質約一半,再以 base64 封進 API 請求。
• 上下文文字:同一份程式碼用 macOS 的 Accessibility API 抓取當前 App 名稱、視窗標題與你選取的文字,連同截圖一起交給上下文模型(預設 qwen3.6-27b),請它用兩句話摘要「使用者現在做什麼、可能的寫作意圖」。
• 順稿後處理:前面整理出來的上下文,會連同原始轉錄一起送到後處理模型,做去口頭禪、補標點、校正專有名詞這類清理,再回傳最終要貼上去的文字。

Pin

所以「沒有 FreeFlow 伺服器」是事實,但這不代表語音留在本機。它的設計是:你自己挑一家雲端模型供應商當後端,預設就是 Groq,於是上述四條外送的目的地,通通往 Groq 的 api.groq.com 走。這跟 Input 0「轉錄跑在本機 Metal GPU、只有潤色才外送」的預設值剛好相反。FreeFlow 換來的低延遲與高準確度,代價就是連轉錄這一步都得連網。

讀屏這一層,送的比你想的多

讀屏上下文清理(Context-aware cleanup)是 FreeFlow 跟一般聽寫工具的主要差別,也是我認為值得看清楚的一層。它的用意很好:當你對著郵件、終端機或文件聽寫時,它能讀到附近的文字,把你唸到的專有名詞、人名拼對。實際表現確實實用:把「幫我加 zach latta 到 launch notes,然後提一下 grock api key」這種帶口誤的口述,清理成「Can you add Zach Latta to the launch notes and mention the Groq API key setup?」,這是內建示範裡的實例。

但要做到這件事,它送出去的資訊比「文字」更多。前面提過,AppContextService.swift 在抓上下文的同時會擷取螢幕畫面,連同 App 名稱、視窗標題、你選取的文字一起交給 Groq 的 qwen3.6-27b 做摘要。當你按 Fn 聽寫時,等於把你當下正在寫的郵件內容、終端機裡的指令、甚至螢幕上其他視窗的畫面,一併送給雲端模型當線索。對聊天訊息、草稿這類本來就要打字的場合,這個交換多半可接受;但如果你當下螢幕上有不該外送的內容(客戶資料、機密文件、私人訊息),讀屏這一層就會把外送範圍放大到畫面而不只是語音。

好消息是,FreeFlow 把這層設計成可理解、也可關閉的。它需要你授予 macOS 的輔助使用權限與螢幕錄製權限才讀得到上下文,不授權就讀不到;它也提供「Preserve exact wording」選項(1.2.0 新增),讓你跳過順稿、只做字面轉錄,連同自訂詞彙與語音巨集仍可使用。也就是:你可以保留聽寫功能、關掉讀屏與順稿,把外送限縮在音檔這一條。這個選擇權在你手上,但預設值是全開的。

預設 Groq,但端點你自己決定

FreeFlow 走的是 OpenAI 相容的 API 格式,所以 api.groq.com/openai/v1 雖然是出廠預設,卻不是唯一選擇。在設定裡,你可以把轉錄、順稿、上下文各自的 API base URL 與模型 ID 換成任何相容的端點,包括本機的 Ollama、LM Studio,或其他自架的 OpenAI 相容伺服器。如果你的轉錄後端跟語言模型後端不是同一個地方,還可以分開設定轉錄的 API URL。

這代表「語音完全不離開 Mac」在技術上是做得到的:把所有端點都指向本機模型,整條流程就不外送。不過 README 也誠實標明了代價:本機模型通常比託管服務慢,尤其在冷啟動、長錄音或硬體忙碌的時候更明顯。為了不讓慢速本機模型卡住流程,FreeFlow 把預設的網路逾時設在 20 秒,你也可以用 macOS 的 defaults 指令把轉錄、後處理、上下文請求三個逾時值各自拉長到例如 120 秒。這條本機路線成立,但它不是出廠預設,得自己花時間設定。

免費額度的代價:跟著 Groq 的模型生命週期跑

FreeFlow 本身不收費,Groq 也提供免費額度,所以對輕度使用者幾乎等於零成本。但「把後端交給一家雲端模型供應商」這個決定,會帶來一個容易被忽略的長期負擔,而它已經實際發生過。翻開 1.2.0 的更新紀錄(2026 年 7 月),裡面寫著:原本預設的備援模型換成了 Qwen 3.6 27B,而且「排定在 2026 年 7、8 月被 Groq 關閉的模型,已經從選擇器裡移除」。

這段話的意思是:Groq 會定期淘汰平台上的模型,而 FreeFlow 得跟著調整、把即將下線的模型從清單移除、把預設值搬到還活著的模型上。對使用者來說,這代表你今天習慣的某個模型,過幾個月可能在選單裡就找不到了,得重新挑一個、重新適應它的順稿風格。這是開源工具搭配雲端模型供應商時,特有的維護節奏:工具本身穩定,但它的「後端供應」是會漂移的。

另一個相關的設計是限流管理。Groq 免費額度有每日上限,FreeFlow 對應的 LLMCooldownManager 會在主要模型被限流時自動切換到備援模型、跨重啟記住每日限額、並在設定頁顯示重置時間。它把「免費額度用完」這件事處理得算體貼,但這也說明:免費的使用者就是在跟限流共處,重度聽寫的場合終究會碰到額度牆。如果你想用多家雲端的免費額度分攤成本,也可以把順稿端點指向 FreeLLMAPI 這類把十幾家免費額度收進同一個端點的閘道,只是文字一樣會外送給背後的 LLM 服務,換的是免費、不是隱私。

Edit Mode 與 Voice Macros:它多做的兩件事

除了基本的聽寫,FreeFlow 還做了兩個值得提的延伸。第一個是 Edit Mode:你可以先反選一段已經存在的文字,用口語指令要求它變換,例如「把這段縮短」或「改成條列」。這等於把聽寫從「輸入新文字」擴展到「改寫舊文字」,對事後整理草稿還算實用。它在設定裡可以開關,也能設成需要額外修飾鍵的「手動模式」,避免你平常聽寫時誤觸。

第二個是 Voice Macros(語音巨集):你可以預先定義幾個口語指令,講出來就立刻貼上對應的預設文字。這對常要重複輸入固定段落(簽名檔、制式回覆、程式碼片段)的人,等於把聽寫當成快速巨集啟動器。再加上自訂詞彙功能,可以把公司名、產品名、內部代號預先填進去,讓順稿時優先採用你的拼法。這幾項加起來,讓 FreeFlow 不只是 Superwhisper 的開源版本,而是一套可以照自己工作流微調的聽寫環境。

安裝與權限的前提

FreeFlow 的設計很收斂,但它對平台與權限都有前提,不是下載就能順順用。動手裝之前,有幾件事最好先想清楚。

• 平台限定:它是 macOS 原生 App,支援 Apple Silicon 與 Intel,從 GitHub Releases 下載 dmg 拖進應用程式資料夾即可。第一次啟動時 macOS 通常會因為未公證跳出安全提示,得到「系統設定 → 隱私權與安全性」手動允許執行,這是未經公證的 App 常見流程,Windows 與 Linux 用不到它。
• 權限成本:要把文字貼進別的 App、要讀到上下文,它需要輔助使用權限(Accessibility);要錄音需要麥克風權限;要做讀屏截圖,還需要螢幕錄製權限。這三項都要在系統設定裡手動開。輔助使用與螢幕錄製都屬於 macOS 上較敏感的權限,等於讓一個 App 能觀察並控制其他 App 的內容,授權前要想清楚你信任這個原始碼公開的專案到什麼程度。
• API Key 與網路:它需要你先去 Groq 申請一把免費 API Key 填進設定,預設才跑得起來。沒有 Key、或所在網路連不上 Groq,轉錄這一步就會直接失敗,這跟本機轉錄的工具不同,沒有「離線也能用」的保險。

跟 Input 0、OpenLess 比起來,它站在哪個位置

語音輸入這個分類,TechMoon 已經寫過幾篇可以對照的工具,FreeFlow 剛好補上另一種路線。把它們擺在一起看,差異比規格表更清楚。

• Input 0:原始碼公開的 macOS 語音輸入工具,轉錄跑在本機 Metal GPU、音訊不離開裝置,潤色端點自選,但授權是 CC BY-NC 4.0(禁止商業使用)。跟 FreeFlow 比起來,Input 0 的轉錄真的在本機,FreeFlow 的轉錄預設在雲端;但 Input 0 不能商用,FreeFlow 的 MIT 可以。
• OpenLess:同樣標榜 Wispr Flow 的開源替代,授權是 MIT 可商用。它的預設語音識別走的是字節跳動的 Volcengine 雲端串流 ASR,預設潤色用 DeepSeek 雲端。跟 FreeFlow 比起來,兩者都開源、都可商用、都預設雲端,差別在背後的雲端供應商(字節體系 vs Groq),以及 FreeFlow 多了讀屏截圖這一層。
• SpokenType:覆蓋 Mac、Windows、Android 的閉源商業訂閱工具,整合度最高、潤色與翻譯一把罩,但你無法審計資料流向。FreeFlow 把透明度換給你,代價是自己設定。

這幾條路線對應不同的信任假設。如果你最在意「語音不離開裝置」,Input 0 的本機轉錄最貼近;如果你想留在開源陣營、又要能商用與讀屏順稿,Groq 體系的 FreeFlow 與字節體系的 OpenLess 是兩個開源選項,差別在你想把資料送往哪一家雲端。至於不想安裝、只用瀏覽器處理長錄音的情境,會用到 voice-to-text-tools 這類純前端工具,場景跟 FreeFlow 的即時聽寫不同;偏好不碰設定、想要全方位整理的人,SpokenType 會順手得多。真的要完全不外送,唯一路徑是把 FreeFlow 的端點全部指向本機模型,但得接受本機推論較慢。

什麼人適合裝這套

把上面幾件事疊起來看,FreeFlow 比較適合這樣的讀者:你是 Mac 使用者,平常要打大量郵件、訊息、技術文件或會議草稿,常常夾雜中英文與專有名詞,能接受把語音交給 Groq 雲端處理以換取低延遲與高準確度,而且願意花一個下午申請 API Key、設定端點、開好三項權限。如果你還會用到 Edit Mode 改寫選取文字,或用 Voice Macros 把常講的段落綁成指令,它的價值會更明顯。

反過來說,如果你的工作內容經常涉及不能外送的機密口述,對「語音與螢幕畫面交給雲端模型」有政策或合規上的顧忌,FreeFlow 的預設值就不適合你,除非你願意花力氣把所有端點改指向本機模型,並接受本機推論較慢。如果你只是偶爾想用語音發個短訊息、不想管 API Key 與權限,那麼 SpokenType 或系統內建聽寫會更省事。FreeFlow 的吸引力,建立在「你願意動手設定、換來一條你看得見邊界、也能自己換後端的聽寫管線」這件事上。

把它放回它經得起檢驗的用途

FreeFlow 走的是一條定位清楚的路:把聽寫、順稿、讀屏上下文三件事整合在一個開源、MIT 授權、可以商用的 macOS App 裡,後端交給你自選的 OpenAI 相容端點,預設是 Groq。你為此要自己處理 API Key、權限設定、以及「預設連轉錄都在雲端」這個事實,換來的是資料流向攤在你面前、端點隨時可換、而不是被封裝在某個你無法審計的服務裡。

判斷它適不適合你,可以收斂成一條問題:你願不願意為了「開源、可商用、可讀屏順稿」這組特質,去承擔語音與螢幕畫面預設送往 Groq 雲端、跟著 Groq 模型生命週期調整設定、以及授予輔助使用與螢幕錄製權限這幾個代價。如果你的工作情境容許雲端處理、你又看重透明度與可替換的後端,這個取捨很可能值得;如果你的口述內容機密度高、或你不想碰設定細節,把端點改成本機、或乾脆選一條本機轉錄的路線,會更穩當。

關於 FreeFlow 的常見問題

FreeFlow 是完全免費的嗎? App 本身免費、MIT 開源,但它的轉錄與順稿預設走 Groq 的 API,Groq 有免費額度也有每日限流。輕度使用幾乎零成本,重度聽寫會碰到額度上限,這時不是等額度重置,就是得換付費方案,或把端點改成本機/其他供應商。

它的語音會留在我的電腦上嗎? 預設不會。轉錄用的 Whisper 模型是 Groq 平台上託管的版本,音檔會送到 Groq;讀屏功能還會把當下螢幕截圖與上下文文字一起送出去。要做到完全不外送,得在設定裡把所有端點都改指向本機模型(例如 Ollama),並接受本機推論較慢。

FreeFlow 跟 Input 0 有什麼不一樣? 關鍵差異在轉錄位置與授權。Input 0 的轉錄跑在本機、音訊不離開裝置,授權是禁止商用的 CC BY-NC 4.0;FreeFlow 的轉錄預設在 Groq 雲端、會外送音檔,授權是可商用的 MIT。一個贏在隱私預設,一個贏在授權彈性。

我可以把它接進自己的產品或商業流程嗎? 可以。FreeFlow 是 MIT 授權,明確允許商業使用與改作,這點跟 CC BY-NC 4.0 的 Input 0 不同。不過它仍是端點使用者本機上的桌面工具,要整合進伺服器端流程需要自行評估。

讀屏功能會不會把我螢幕上的東西外洩? 讀屏啟用時,它會截取當前視窗畫面與上下文文字送給雲端模型當順稿線索,範圍確實涵蓋畫面而不只是語音。若當下螢幕有敏感內容,可關閉讀屏、或開啟 Preserve exact wording 跳過順稿,把外送限縮在音檔;完全不願意外送就只能改用本機端點。