当前位置：首页 > news >正文

TMSpeech 免费离线语音转文字：完整指南，从装模型到实时字幕

news 2026/8/21 20:37:15

TMSpeech 免费离线语音转文字：完整指南，从装模型到实时字幕

【免费下载链接】TMSpeech腾讯会议摸鱼工具项目地址: https://gitcode.com/gh_mirrors/tm/TMSpeech

TMSpeech 是一款 Windows 上的免费开源离线语音转文字工具。它抓取电脑正在播放的声音，在本机实时转成字幕——全程不联网，不需要注册账号，声音数据也从不离开你的电脑。普通笔记本上 CPU 占用通常不到 5%，解压、装模型、点一下开始，三步就能让屏幕上的视频"长出"字幕。下面按我自己第一次上手的顺序走一遍，每一步该去哪、碰到问题怎么办，都写在对应位置。

第一次打开 TMSpeech：解压、装模型、点开始

拿到 Release 里的压缩包后，解压，双击运行 TMSpeech.exe。首次启动它会自动创建配置文件和日志目录，桌面拖一个快捷方式，以后点开就能用。习惯动手的同学也可以拉源码自己构建：

git clone https://gitcode.com/gh_mirrors/tm/TMSpeech

先别急着点"开始识别"。识别引擎只是骨架，真正干活的是语言模型，没装模型时它是转不出字的。打开设置，切到"资源"标签页：

这里列着社区仓库提供的模型，目前是中文、英文和中英双语三个选项，都是 Zipformer-transducer 系列的流式模型（"流式"指边说话边出字，不用等整段说完）。以中文模型为例，体积在 300MB 级别，点"安装"后等进度条走完，条目变成"已安装"就完事了。

装完回到主界面，点开始识别。你听到的声音会即时变成字幕，之后这一节就不用再管了。顺便说一句它内部发生了什么：音频用 WASAPI 低延迟采集（WASAPI 是 Windows 自带的音频接口），先过一圈环形缓冲区防止丢数据，再交给流式引擎边采边识别，最后补上标点才上屏——整条链路都在本地跑，这就是它"既快又不传数据"的原因。配置本身存在%AppData%/TMSpeech/config.json，改完即热生效，不用重启程序。

下一步：确认主界面上已经有字在滚动，再看下一节把音频源调对。

音频源怎么选：系统内录、麦克风、单进程

决定"录什么"的是设置里"音频源"一栏的三个选项：

系统音频（内录）：抓取电脑正在播放的全部声音，靠的是 WASAPI 的 Loopback 捕获。适合会议软件、网课、视频播放。它有个很实用的特性——即使你把系统音量拉到 0，识别照样进行，因为它是从系统内部直接取音频流的，不经过喇叭。
麦克风：录你自己的声音，适合口述草稿、语音笔记。
进程音频：只盯住某一个应用的声音，比如只录某个播放器，其他程序一概无视。

对多数人来说，第一选择就是系统音频，覆盖面最广；只有明确想录麦克风或单个程序时，才换另外两种。

下一步：音频源选好后，把字幕窗口摆到你顺手的位置。

字幕窗口怎么用：拖动、改样式、翻历史

字幕显示在一个无边框小窗口里，随便拖、随便拉伸。右键可以调字体、字号、颜色、透明度、阴影，把它压在视频画面下方或会议窗口旁边，基本不挡内容。

与此同时，识别结果在按日期自动写进"我的文档"下的 TMSpeechLogs 文件夹。一堂网课听完，打开当天的文件稍作整理，笔记就有了。历史记录窗口里选中内容，右键或 Ctrl-C 就能复制，方便把关键段落摘出去。

下一步：如果字幕质量不满意，先别怪它，去换引擎——下一节讲怎么选。

三种识别引擎对比：默认 Sherpa-Onnx 够用吗

设置里"语音识别"一栏的下拉框里有三档：

Sherpa-Onnx 离线识别器：默认项，基于 CPU 优化，装好模型即用。作者实测在 AMD 5800U 笔记本上占用不到 5%，大多数人选它最省心。
Sherpa-Ncnn 离线识别器：追求速度时可以试，能调用 GPU 加速（Vulkan 计算），对资源调度的玩法更激进。
命令行识别器：面向进阶玩家的开放接口，可以自己接任意外部识别程序，下面单独讲。

如果你只是想把功能用起来，保持默认不动它。

下一步：想折腾外部识别程序的朋友，往下看。

命令行识别器：把任何识别程序接进来，以及它背后的插件架构

命令行识别器的工作方式很直接：TMSpeech 启动一个你指定的外部子进程，子进程的标准输出按约定格式吐识别文本，标准错误输出则写进日志文件，双方统一 UTF-8 编码。输出以单换行结尾表示"更新当前句子"，以多换行结尾表示"当前句子结束"。

这个设计留了个巧思：单换行的临时结果允许被后续输出修正，只有完整句子才落进历史记录——模型可以一边出字一边改错，最终留下的是一条稳定结果。代价是，子进程要自己采集音频，所以这种模式下设置里的音频源切换不生效。另外两个小细节：参数用空格分隔，含空格的路径要加双引号；如果跑的是 bat 脚本，开头用 @ 隐藏回显、结尾别加 pause。仓库的 external_recognizer/ 目录里放了几份可直接参考的 Python 脚本，照着改就能起一个原型。

顺带把项目的"骨架"也说一下，因为命令行识别器正是它最直观的例子：TMSpeech 是"核心框架 + 功能插件"的结构，核心层（src/TMSpeech.Core/）负责插件管理、任务调度、配置和资源下载，具体能力全放在 src/Plugins/ 下的独立插件里——每个插件带一份描述文件，实现音频源、识别器、翻译器之一的接口，启动时自动被扫描加载。所以想加新的音频来源或识别引擎，写个新插件丢进去就行，核心代码一行不用碰。

下一步：日常使用中遇到的坑，最后一节集中处理。