离线语音转文字调研：为什么我最终选择了 Handy

用语音给 AI 编程助手说话，正在成为越来越自然的交互方式。但“语音转文字“这条链路有个常被忽略的问题：你的声音数据交给了谁？

本文调研了跨平台、完全离线的语音转文字方案，最终选择了 Handy，并记录了完整选型过程和实测数据。

为什么语音转文字要跑在本地

本地（离线）语音转文字的价值有两条，互相独立：

1. 隐私 — 声音是生物特征，泄露有被克隆/滥用的现实风险；音频不出设备，风险在源头关闭
2. 性能 — 省去“上传音频 → 云端转写 → 返回文本“的网络往返，push-to-talk 交互场景延迟体感显著

声音泄露的风险

声音是生物特征（官方定义）：

• NIST SP 800-63B 将 voice prints 列入生物特征清单
• EDPB Guidelines 02/2021（第 31 段）：“voice data is inherently biometric personal data”

泄露是已规模化的现实威胁：

中国案例：

• 澎湃新闻 2025-02：AI 换声仿冒孙子，诈骗老人 2 万元
• 今视频 2026-06：AI 换脸+拟声冒充好友，骗走 430 万元（5-10 秒语音即可提取声纹）
• 中国《个人信息保护法》将声纹列为敏感个人信息，与 GDPR 对生物特征的定位一致

推论：在线语音转文字服务 = 主动把音频交给不可控的第三方，留存/训练/安全防护全由对方决定。风险路径：

• 克隆冒充（骗过“人“，不需攻破技术系统）
• 进入训练集（难以删除）

工具选型：为什么是 Handy

需求：跨平台 / 完全离线 / push-to-talk / 终端粘贴兼容 / 中文

Handy vs 闪电说（同为本地方案，核心差异在终端适配）：

两个关键点：

1. 终端粘贴：Windows Terminal 的粘贴键是 Ctrl+Shift+V，不是 Ctrl+V。闪电说固定模拟 Ctrl+V，在需要 Ctrl+Shift+V 的终端里转写文字送不进去；Handy 可配置粘贴方式，是唯一能适配终端的
2. 多模型：Handy 支持切换多个本地模型，实测中文用 SenseVoice 质量最佳，优于 Whisper

其余候选淘汰：智谱输入法无 Linux 版；Voisty 付费。

实测（2026-05）

场景：push-to-talk 实时语音输入（按一下说话，说完立刻要出文字），实时性是硬指标。 硬件基准：Intel Core Ultra 7 255H（核显 Arc 140T，无独显）。 模型切换结论必须绑定机器配置与使用场景——没有这两者，谈“哪个模型更好“没有意义。

模型结论（Intel Core Ultra 7 255H + Arc 140T 核显，push-to-talk 场景实测）：

• SenseVoice 胜出：体积约 240 MB，1 分钟语音 3 秒内完成转换；平时说一句简单指令秒出
• 对比 Whisper large v3（体积超过 1 GB）：
  • 中文效果更好
  • 中英文混合、纯英文效果接近
  • 速度快得多

边界

• 语音输入适合自然语言意图；密钥、完整代码不适合语音输入（精确性差）
• 本地方案防“音频→第三方“这一跳；不防本机被攻破录音、物理环境收音
• 转写后的文本仍会发给 AI 模型——本地保护的是音频，不是内容本身

参考

• Handy 官网
• Handy GitHub
• Handy issue #1691（Ubuntu 24.04 全局热键后台不可用，含 workaround）
• NIST SP 800-63B
• EDPB Guidelines 02/2021 关于虚拟语音助手（PDF，第 31 段）