语音输入最慢的时刻，是你闭嘴之后

SGLang Omni 团队发布 Voxt 2.0。一个 macOS 本地语音工作流，把语音输入、翻译、改写和答案卡片放进菜单栏应用里。团队的说法很直接：生产力工具自己用得顺手，不如开源出来，让社区也用上。

先看演示：

语音输入的瓶颈，很多时候出在你停下之后的那段等待。多支持十种语言当然好，但用户会不会天天用，先看停止录音后要不要去倒杯水。

Voxt 2.0 用 Swift 到 Go 重构，长录音边说话边识别已经完成的部分。官方给的数据：M4、24GB 的 Mac 上，4 分 46 秒口述，停止后的等待从 32.3 秒降到 2.6 秒；超长输入等待相比 1.x 缩短 92%。这个数字比多支持几种语言更能影响使用频率。

团队说五年前的 M1 Mac 也能本地跑 Qwen3-ASR，再把润色交给远端 LLM API。有网友灰度先生在回复里说，这个分工挺对：识别要快、要隐私，润色才需要大模型。

功能层面，2.0 保留并扩展了三条主路径：

• 语音输入：右 Option 触发，说完再按一次，文字落在光标处。ASR 识别后可由 LLM 去口癖、补标点、修正自我更正。
• 翻译：右 Option 加 Shift，选中文本或直接说话，交给 LLM 翻成目标语言。README 标注 22 种目标语言。
• 改写与助手：Control 加右 Option，选中任意文本说“短一点”“正式点”“解释一下”，结果进答案卡片，可以继续用语音追问，再复制或插入。

2.0 还补了几个实用细节：识别失败后录音保留，历史里可以重试；答案卡片支持连续交互；Voxt 1.x 的词典、历史、兼容语音模型可一键迁移；API key 和快捷键不导入，需要重设。新增 ChatGPT 登录、翻译备用模型、自定义提示词、Markdown 和 JSONL 历史导出。

模型生态是 Voxt 的另一个重点。语音默认在 Mac 上由 SGLang Omni MLX runtime 跑，原生 C++，不走 Python。推荐模型 Qwen3-ASR 1.7B 8bit 约 2.5GB，另有 0.6B 4bit 约 713MB；也支持 MOSS-Transcribe-Diarize，以及 OpenAI Transcribe、豆包、智谱 GLM-ASR、阿里百炼、StepFun、小米 MiMo、Google Gemini 等云端 ASR API。

LLM 侧接任何 OpenAI-compatible API：本机可以走 SGLang MLX、Ollama、LM Studio、oMLX；远端可以用 DeepSeek V4.1、Kimi K3.1，团队说这两个他们常用。数据去哪儿由用户自己定。语音默认留在 Mac，文本只发给设置的 LLM，API key 存在 macOS Keychain，无账号、无分析。

Qwen3-ASR 还能加 DFlash 转录加速：下载一个小 draft 模型，用投机解码让语音模型转得更快，移除后恢复原样。

安装要求写得很清楚：Apple silicon、macOS 15 或更新。Intel Mac 继续用 Voxt 1.x。应用约 280MB，推荐语音模型 2.5GB。Voxt 2 不自动更新，可以用 dmg 覆盖安装，或 Homebrew：

brew install --cask hehehai/tap/voxt
brew upgrade --cask voxt

下载 dmg：https://github.com/sgl-project/sglang-omni/releases/download/voxt-v2.0.3/Voxt-2.0.3-arm64.dmg

项目 README：https://github.com/sgl-project/sglang-omni/blob/main/Voxt/README.md

官网：https://voxt.actnow.dev/

中文 Demo 视频：https://www.youtube.com/watch?v=mOwWavTSXu0

官网定价页写免费本地永久，远程模型自带 key，另有 8 美元一次性支持选项。代码以 Apache License 2.0 开源。官网还列出笔记、会议转写和录音分析，2.0 主推仍是输入、翻译、改写这三件事。