Aria — Local AI Voice Typing for Windows

Windows 本地 AI 语音输入法 | Offline Speech-to-Text | 离线语音转文字

下载 · 快速开始 · 功能介绍 · 配置说明 · 常见问题

---

Aria 是一个 Windows 本地语音输入工具。基于 Qwen3-ASR，所有语音处理在本地完成。支持热词纠错、屏幕上下文感知、语音指令操作选中文字等功能。

特点

• 屏幕感知上下文 — 说话时自动 OCR 读取当前屏幕内容，提取关键词注入 ASR，提高专业术语和人名的识别准确率
• 热词纠错 — 在热词表中添加你常用的专有名词、人名、术语，ASR 识别时自动偏向这些词，同音字错误通过拼音匹配自动纠正，可选接 API 润色进一步修正
• 语音操作选区 — 选中文字后语音触发翻译、润色、总结、扩写、改写、AI 回复等操作，结果弹窗展示或直接替换
• 语音提醒和记录 — 语音设置定时提醒（如"提醒我五分钟后喝水"），语音记录想法和灵感
• 持续监听模式 — 按一次快捷键开启，Aria 持续监听并自动识别输入，再按一次关闭，无需按住说话
• 便携免安装 — 解压即用，支持 GPU 加速，无 GPU 自动回退 CPU

下载

版本	大小	说明	链接
精简版 (Lite)	~2 GB	首次启动自动下载 ASR 模型	GitHub Releases
完整版 (Full)	~6 GB	内置 ASR 模型，解压即用	百度网盘 提取码 34ti · 夸克网盘

快速开始

1. 下载并解压
2. 双击 Aria.exe
3. 按 `（反引号键）开启语音输入
4. 对着麦克风说话，文字自动输入到当前光标位置
5. 再按一次 ` 关闭

从源码运行

git clone https://github.com/Xingxun7777/Aria.git
cd Aria
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
copy config\hotwords.template.json config\hotwords.json
Aria_debug.bat

功能介绍

语音识别

• ASR 引擎 — 默认 Qwen3-ASR（支持 52 种语言），备用 FunASR（中文）
• 屏幕上下文 — 说话时自动 OCR 当前窗口，提取关键词注入 ASR 上下文
• 近期上下文 — 最近 10 条识别结果作为跨语段上下文，提升连续对话准确率
• 热词纠错 — 正则替换 + 拼音模糊匹配 + 可选 AI 润色，每个热词可设权重
• 实时字幕 — 说话时毛玻璃面板显示中间识别结果
• 噪声过滤 — 自动过滤环境噪声产生的无意义文字

智能润色（可选，需配置 API）

• 通过 API 调用大语言模型修正错别字、标点和同音字
• 自动去除口语填充词
• 长段口述自动整理为结构化文本
• 支持个性化润色规则
• 根据当前应用类型自动调整润色风格
• 高级用户可配置 GGUF 模型实现离线润色

选区指令

选中文字后，说唤醒词 + 命令：

命令	效果
润色 / 优化	提升文字表达质量
翻译成英文 / 中文 / 日文	替换为对应语言翻译
扩写 / 展开	增加细节和深度
缩写 / 精简	保留核心信息
重写 / 改写	换种表达方式
什么意思	弹窗翻译（不替换原文）
总结一下	弹窗显示摘要
帮我回复	AI 生成回复建议
问 AI	打开 AI 对话窗口
帮我打开	打开选中的路径或 URL
记一下 + 内容	记录想法
提醒我 + 时间 + 内容	设置定时提醒

弹窗支持拖拽移动、固定、一键复制、一键插入。

唤醒词控制

命令	效果
[唤醒词] 开启/关闭自动发送	控制识别后是否自动按回车
[唤醒词] 休眠 / 醒来	暂停/恢复语音监听
[唤醒词] 深度休眠	卸载 ASR 模型，释放显存

唤醒词可在设置中自定义。

历史记录

• 所有语音输入、翻译、润色结果自动存储
• 历史浏览器：按日期、类型、关键词查找
• 支持导出为 Markdown
• 自动清理过期记录（默认 90 天）

其他

• 备用 API 轮询 — 配置主/备 API，连续慢响应自动切换
• Typewriter 模式 — 逐字输入，兼容游戏和管理员权限应用
• 配置热重载 — 修改配置后自动生效，无需重启
• 开机自启 — 注册表方式，支持便携模式
• HF 镜像 — 中国用户默认使用 hf-mirror.com 下载模型

系统要求

项目	最低	推荐
操作系统	Windows 10 64 位	Windows 11
Python	3.12	3.12
内存	8 GB	16 GB
显卡	无（CPU 可用）	NVIDIA GTX 16xx+（4 GB 显存）

内置 CUDA 12.8 的 PyTorch，无兼容 GPU 时自动回退 CPU 模式。

GPU 兼容性详情

GPU 系列	架构	支持
RTX 40xx / 50xx	Ada / Blackwell	完全支持
RTX 30xx	Ampere	完全支持
RTX 20xx / GTX 16xx	Turing	支持
GTX 10xx	Pascal	自动 CPU 回退
无 NVIDIA GPU	—	CPU 模式

配置

配置文件：config/hotwords.json（首次运行自动从模板创建，保存后 2 秒自动热重载）。

常用配置项：

字段	说明	默认值
asr_engine	识别引擎	qwen3
general.hotkey	全局热键	`
polish_mode	润色模式	quality
filter_filler_words	口语过滤	true
auto_structure	自动结构化	false
vad.screen_ocr	屏幕感知	true
vad.threshold	VAD 灵敏度 (0-1)	0.2
output.typewriter_mode	逐字输入模式	false

完整配置说明：docs/CONFIGURATION.md

常见问题

识别准确率不高？

1. 添加专有名词到 hotwords 列表，设置合适权重
2. 配置 replacements 替换规则处理固定误识别
3. 填写 domain_context 描述使用场景（如 "编程技术讨论"）
4. 启用 API 润色（polish_mode: "quality" + 配置 API key）
5. 确保屏幕感知已开启（vad.screen_ocr: true）

GPU 加速不工作？

1. 确认 nvidia-smi 正常运行
2. GTX 16xx 及以上自动启用，10xx 及更旧自动回退 CPU
3. 更新显卡驱动到最新版本

无法在某些应用输入文字？

1. 启用 Typewriter 模式：output.typewriter_mode: true
2. 如目标程序以管理员运行，以管理员启动 Aria

首次启动很慢？

• 精简版：首次使用需自动下载 ASR 模型（约 1.2-3.4 GB），下载后离线可用
• 完整版：已内置模型，解压即用
• 也可在设置中切换到 FunASR 备用引擎

环境噪声导致误输入？

1. 适当提高 VAD 阈值（vad.threshold，默认 0.2，嘈杂环境可调至 0.4）
2. 适当提高能量阈值（vad.energy_threshold，默认 0.003）

项目结构

展开查看

Aria/
├── launcher.py              # 入口：单例检查 + 启动画面 + 模型预加载
├── app.py                   # 主应用：状态机 + ASR 编排
├── core/                    # 核心模块
│   ├── asr/                 # 语音识别引擎
│   ├── audio/               # 音频捕获 + VAD
│   ├── context/             # 屏幕上下文感知 + OCR
│   ├── history/             # 历史记录存储
│   ├── hotword/             # 热词纠错 + AI 润色
│   ├── selection/           # 选区指令
│   ├── wakeword/            # 唤醒词检测 + 命令执行
│   └── command/             # 语音键盘命令
├── ui/qt/                   # PySide6 界面
├── system/                  # 系统集成（热键、文本输出、权限检测）
├── config/                  # 配置文件
└── build_portable/          # 便携版打包

许可证

Apache License 2.0

致谢

项目	许可证	说明
Qwen3-ASR	Apache 2.0	通义千问语音识别
FunASR	MIT	阿里达摩院语音识别
Silero-VAD	MIT	语音活动检测
PySide6	LGPL v3	Qt6 Python 绑定
PyTorch	BSD-3-Clause	深度学习框架
pypinyin	MIT	汉字拼音转换
RapidOCR	Apache 2.0	PaddleOCR ONNX 推理