Handy：把语音输入带回本地的开源工具
这两天试了一下 Handy，在 Windows 上的效果比预期好。它给人的第一感觉像一个“AI 语音输入法”，但从实现上看，它更准确的定位是一个系统级语音转文字工具：按下快捷键开始录音，松开后在本地模型里完成识别，再把识别结果粘贴到当前光标所在的位置。
这个设计很务实。它没有重新发明一套输入法框架，也不要求每个应用单独适配。只要目标应用能接收键盘输入或剪贴板粘贴，Handy 就可以把语音输入接进去。
它解决的是什么问题
现在的语音输入主要有几种路子。
系统自带语音输入使用门槛低，但模型、语言、网络和隐私边界往往由系统厂商决定。云端 ASR 准确率可以很高，但语音要上传，长期使用也会牵涉费用和服务稳定性。本地 Whisper 类工具隐私更好，不过很多停留在命令行、转录文件或独立窗口，离“随手在任何输入框里说话”还有距离。
Handy 的价值在这里：它把本地 ASR 做成了一个常驻桌面工具。用户不需要关心音频文件，也不需要复制转写结果。它把语音输入拆成一条很短的链路：
按快捷键，录音，本地识别，写入剪贴板，粘贴到当前应用。
在 Windows 上，默认转写快捷键是 Ctrl+Space，带后处理的快捷键是 Ctrl+Shift+Space，Esc 用于取消。默认交互是 push-to-talk，也就是按住说，松开处理。这种模式比一直监听更可控，也更符合输入法场景。
它不是传统意义上的输入法
传统输入法通常会注册到系统输入法框架里，参与候选词、组合输入、光标上屏等流程。Handy 没有走这条路。
它的做法更像“快捷键触发的听写器”。录音结束后，它用剪贴板或模拟键盘把文字送到当前窗口。代码里能看到它支持多种输出方式，包括直接输入、Ctrl+V、Ctrl+Shift+V、Shift+Insert、外部脚本，也支持自动回车提交。Windows 下常用的是把识别结果写入剪贴板，再模拟粘贴快捷键，之后恢复原剪贴板内容。
这个选择有利有弊。
好处是兼容面很广，浏览器、聊天软件、编辑器、表单、笔记工具都能用。坏处是它不具备传统输入法那种深度编辑能力。比如候选词、局部改写、拼音混输、输入法级别的上下文管理，不是它的核心目标。
把 Handy 当成“随处可用的语音粘贴器”，比把它当成完整输入法更准确。
本地识别是核心
Handy 最大的卖点是离线。项目 README 明确强调语音留在本机，识别不需要把音频发到云端。
它的桌面壳是 Tauri 2，前端是 React、TypeScript 和 Tailwind CSS，主要用于设置界面。真正的系统集成、录音、模型加载、推理和粘贴都在 Rust 后端里完成。
核心依赖大致分成几类：
音频采集使用 cpal，重采样使用 rubato，语音活动检测使用 vad-rs。本地模型推理主要通过 transcribe-cpp 和 transcribe-rs，前者负责 Whisper、SenseVoice、Breeze ASR 等 GGML 或 GGUF 模型，后者负责 Parakeet 等 ONNX 模型。键盘和鼠标模拟使用 enigo，全局快捷键由项目自己的 handy-keys 处理。
这说明 Handy 不是简单套一个网页壳。它真正难的部分在本地桌面集成：录音设备、全局快捷键、系统托盘、剪贴板、模型下载、推理后端、历史记录、崩溃恢复，都需要在不同操作系统上分别处理。
模型选择比界面更重要
Handy 支持的模型已经不只是 Whisper。经过这几天对比，我现在更倾向把千问的 Qwen3-ASR-1.7B 放在中文输入的首选位置。就实际识别效果看，它比我之前试过的 SenseVoice、Whisper 和 Breeze ASR 更稳，尤其是中文长句、口语化表达和中英夹杂内容，错字和漏字都更少。
内置下载列表里有 Whisper Small、Medium、Turbo、Large，也有 SenseVoice、Breeze ASR、Parakeet V2、Parakeet V3、Canary、Cohere 和 GigaAM 等模型。它还会扫描模型目录里的自定义 .bin 和 .gguf 文件，并能发现部分本地缓存中的兼容模型。
对中文用户来说，模型选择会直接决定体验。
Whisper 系列是最稳妥的通用方案。Small 体积约 465MB，速度快，准确率够日常使用。Medium 约 469MB，准确率更好。Turbo 和 Large 更大，Turbo 约 1.5GB，Large 量化版约 1GB，适合希望进一步提升准确率并且硬件能跟上的场景。
Qwen3-ASR-1.7B 是我这次对比后最推荐的中文模型。千问官方说明里，它支持 30 种语言和 22 种中文方言，并且覆盖流式和离线推理。对 Handy 这类“说完立刻上屏”的工具来说，真正重要的不是模型榜单，而是日常口述能不能少改字。从这个标准看，Qwen3-ASR-1.7B 目前给我的结果最好。
SenseVoice 值得特别关注。Handy 内置的 SenseVoice 模型约 152MB，定位是很快，支持中文、英文、日文、韩文和粤语。对中文、英语夹杂的日常输入来说，它可能比只面向欧洲语言的模型更合适。
Parakeet V3 是 Handy 当前推荐的模型之一，特点是 CPU 上速度快，支持自动语言检测，但项目里标注的是支持 25 种欧洲语言。它适合英语或欧洲语言听写。如果主要输入中文，不应只因为它是推荐模型就默认选择它。
Breeze ASR 更偏向台湾普通话和中英混杂。Cohere 模型体积更大，支持多语言，准确率方向更强，但速度会慢一些。Canary 主要覆盖英语、德语、西班牙语、法语等场景。
所以在 Windows 上试 Handy，我现在会按这个顺序判断：中文日常输入优先试 Qwen3-ASR-1.7B；如果机器跑不动，或者当前 Handy 环境接入不顺，再退到 SenseVoice 或 Whisper Small；中英混输可以把 Qwen3-ASR-1.7B、SenseVoice、Whisper Medium 和 Breeze ASR 放在一起比较；英文输入可以试 Parakeet V3；追求 Whisper 体系内的更高准确率再上 Turbo 或 Large。
Windows 上的性能取决于后端
Handy 的 Windows 支持不是一句“跨平台”就结束了。
在 Cargo.toml 里能看到，x64 Windows 的 transcribe-cpp 启用了 dynamic backends 和 Vulkan。这意味着 Whisper 类模型可以尽量利用可用 GPU 后端。Windows ARM 则是 CPU 静态后端。
ONNX Runtime 在 Windows 上选择了 CPU 方案。项目注释里说明，DirectML 被移除过，因为相关预编译包在部分旧 CPU 上存在 AVX2、BMI2 指令兼容风险。这是一个很典型的桌面软件取舍：理论上 GPU 后端更快，但稳定覆盖更多 Windows 机器，有时反而要保守。
官方 README 也提醒，Whisper 模型在某些 Windows 和 Linux 配置上可能崩溃。这不是 Handy 独有的问题，而是本地推理栈、显卡驱动、运行库和模型格式叠在一起后常见的不确定性。好在代码里对模型 panic 做了保护，避免一次模型崩溃把整个转写状态锁死。
从按键到上屏发生了什么
Handy 的工作流可以按生命周期理解。
快捷键触发后，后台协调器会从空闲状态进入录音状态。它并行准备 ASR 模型和 VAD，切换托盘图标，检查当前设置和模型能力，必要时打开浮层，然后通过音频管理器开始采样。
松开快捷键后，它停止录音，拿到音频采样。一边可以把 WAV 保存到历史记录，一边进入转写流程。如果模型支持流式识别，它会走流式管线并更新浮层；否则就走批量转写。识别完成后，文本还会经过语言和格式处理。中文场景里，代码里接入了 OpenCC，可以做中文变体转换。
如果用户启用了后处理，Handy 会把转写文本送到配置的 LLM 提供商，根据提示词做润色、纠错、格式化或结构化输出。后处理完成后，它会保存历史记录，再把最终文本粘贴到当前应用。
这条链路解释了为什么 Handy 用起来像输入法，但又比输入法多了一层“AI 工作流”：它可以只做 ASR，也可以在 ASR 后接 LLM。
隐私边界要分清楚
Handy 的本地离线识别是它最重要的优势，但“离线”并不等于所有功能都永远不联网。
ASR 推理可以在本地完成，音频不需要上传。模型下载、版本检查这类操作本身会访问网络。更关键的是，如果启用 LLM 后处理，转写文本会发送给你配置的模型服务提供商。也就是说，隐私边界取决于你启用了哪些功能。
如果只是想要本地语音输入，关闭后处理，使用本地模型，就能把主要语音数据留在电脑上。如果希望让模型自动修正口语病句、补标点、改成正式邮件，那就要接受文本进入所选 LLM 服务的事实。
它还带有历史记录能力。默认情况下，转写历史写入应用数据目录里的 SQLite 数据库，录音文件会放在 recordings 目录，并受保留策略控制。Windows 上应用数据目录通常在 C:\Users\用户名\AppData\Roaming\com.pais.handy\。如果对敏感内容很在意，应检查历史和录音保留设置。
安装和使用上的提醒
Windows 用户可以从 GitHub Release 下载 exe 安装包或 MSI。项目也提供 winget install cjpais.Handy 的安装方式，不过 README 里注明 winget 包不是 Handy 开发者维护。为了减少变量，我更倾向从 GitHub Release 页面下载官方发布资产。
安装后真正需要调的不是界面，而是模型。第一次使用时可以选一个较小模型验证链路是否顺畅。确认快捷键、录音设备和粘贴方式都正常后，再换 Qwen3-ASR-1.7B 这类识别效果更好的模型比较准确率。
如果遇到识别慢，先看模型大小和硬件后端。大模型在 CPU 上慢是正常现象。如果遇到没有上屏，优先检查当前应用是否拦截粘贴、剪贴板权限、快捷键冲突和粘贴方式。若遇到模型崩溃，可以换小模型、换 ONNX 模型，或禁用可能不稳定的 GPU 后端。
我对它的判断
Handy 这个项目真正做对的地方，是没有把目标设成“再做一个完整输入法”。它抓住的是语音输入最短路径：人说话，本地模型转成文字，直接进入当前应用。
它的工程完成度也不错。跨平台安装包、系统托盘、快捷键、模型管理、VAD、历史记录、剪贴板恢复、后处理、流式识别，已经覆盖了日常使用需要的多数环节。项目更新也很活跃。我查看时，仓库最新提交是 2026 年 7 月 4 日，最新 Release 是 v0.9.0，发布时间为 2026 年 7 月 1 日。
不足也很明确。它依赖本地模型和桌面系统能力，稳定性会受硬件、驱动、模型后端影响。它不是系统输入法，所以不适合期待复杂候选词和输入法级编辑的人。后处理功能一旦开启，就要重新审视隐私边界。模型多是优势，但也意味着新用户需要花一点时间选对模型。
对我来说，Handy 最适合的场景是长句输入、笔记草稿、聊天回复、代码注释、邮件初稿和表单填充。它不是为了替代键盘，而是把“能说出来但懒得打”的内容快速放进文本框里。
如果未来它继续把 Qwen3-ASR-1.7B 这类中文效果更好的模型、Windows 稳定性、模型选择引导和后处理模板做好，它会成为 Windows 上很值得常驻的本地 AI 语音输入工具。
参考资料：