三个月前，我有一个 200 MB 的 Electron 应用，可以转录语音到文字。它能用，但臃肿、启动慢，而且需要网络连接才能获得最佳体验。

所以我从零重写了它。结果是 PushSense —— 一个 5.5 MB 的原生 macOS 应用，完全在设备端运行。

云端转录的问题

每个主要的听写方案——Google、Apple、Microsoft——都将你的音频发送到云端。这意味着：

  • 隐私风险：你的语音数据离开你的机器
  • 延迟：网络往返每句话增加 200-500ms
  • 成本：API 配额、速率限制、计费账户
  • 可用性：没有网络 = 无法转录

解决方案：whisper.cpp + Swift

我选择了 whisper.cpp —— OpenAI Whisper 模型的优化 C++ 实现。它在进程内运行，通过 Metal 走 GPU。App 本体之所以小，是因为权重放在一个只需下载一次的独立模型文件里，而不是打进 bundle。

Swift 封装处理 macOS 集成：热键检测、AVAudioEngine 音频采集，以及向当前输入字段注入文本。

数据

  • 安装体积：5.5 MB（对比 Electron 的 200 MB）
  • 加载模型后的空闲常驻内存：344 MB
  • 转录时峰值内存（Small q5_1）：484 MB
  • 27.7 秒语音转录耗时 1.11 秒 —— 约 25 倍实时
  • 网络依赖：无
  • 需要的 API 密钥：零

空闲时 CPU 接近 0：热键监听是被动事件 tap，推理跑在 GPU 上，所以听写不会和你手头的正事抢 CPU。决定内存开销的是模型，不是 App —— 完整方法（包括两条没走通的路）写在那篇 benchmark 里。

四个真正花了功夫的细节

工程量基本不在「调用 Whisper」，而在它周围的边角。

强制简体输出。Whisper 原生支持中英混说，但它的中文输出会在简繁之间漂移。解法是用系统自带的 CFStringTransform 对最终文本做一次转换 —— 繁体字符漏不出来，拉丁字母和 emoji 原样保留。

静音必须什么都不输出。面对纯静音，Whisper 会很自信地编出一段像模像样的文字。不处理的话，蹭一下快捷键就会打出一句你从没说过的话。PushSense 明确识别并丢弃这类结果。它看上去像「没有功能」，实际上恰恰相反。

是「打字」，不是「粘贴」。转录结果以合成按键的方式送出，而不是走剪贴板。这就是为什么需要辅助功能权限 —— 也是为什么听写完你之前复制的东西还在。

配置存在 Keychain 里。没有配置文件要管，也不会在多台机器之间漂移。

我的收获

最大的洞见不是技术性的——而是关于如何交付。一个 5.5 MB、离线可用、无需账户、无需 API 密钥的应用——这不是"精简版"。这就是产品本身。

免费下载。获取最新版本。