桌宠：PushSense 的第二种说话方式

PushSense 前九个版本只有一个手势：按住键，说话，松开，文字落在光标所在的位置。知道文字要去哪的时候，这个顺序没问题。想先说出来、之后再决定放哪的时候，它就别扭；而光标在错误的输入框里的时候，它会悄无声息地出错。对我来说，后一种情况大约占一半。

PushSense 0.2 加了第二个手势。屏幕上有一颗小珍珠。点一下，说话，转写停在旁边的玻璃气泡里。然后你把文字拖进它该去的窗口。我叫它桌宠。这篇是它的构建日志：哪里难，哪里不难，以及发版流程抓到了什么。

每个听写 App 都有的隐藏步骤

我用过的所有语音转文字工具，包括我自己的，都是在光标处打字。这藏了一个你说话之前要做的动作：先点进正确的输入框。漏了这一步，你那句话就落进了搜索框、终端或者错误的聊天窗口。付费的 App 把转写打磨得很好，边说边出字，但它们全都保留了这个隐藏步骤。

解法不是更好的光标，而是默认不替用户打字。说出来，看一眼，再放到它该去的地方。这意味着转写得变成屏幕上一个能拿起来的东西。

我以为拖拽会是最难的一块。结果就是一个 NSDraggingSession。气泡里的文字是一个提供纯文本的拖拽源；任何接受拖放文字的窗口都能接：编辑器、聊天框、浏览器输入框、终端。拖到桌面上，macOS 会把它变成一个文本剪辑。这些我一行都没写，AppKit 做的。

有意思的是拒收的窗口。有些 App 接受键入但不接受拖放。所以当拖拽结束、没有任何东西接收时，PushSense 会在你松手的位置点一下，然后粘贴。从用户这边看，手势是一样的：拖，松手，文字出现。

点珍珠说话后，停顿一秒半这一段会自动结束；关掉自动停止，就要再点一下结束。这个开关放在悬停珍珠时展开的一圈小玻璃按钮上，旁边是历史和菜单。它需要一个图标。

可以推广的教训：三个一圈的图标，先要和邻居不一样，然后才谈准不准确。

第一版珍珠一直在动，一个缓慢的液态呼吸循环。看着是活的，代价是什么都不做也吃掉大约 5% 的一个 CPU 核。待机 5% 的听写工具，是会被用户退出的听写工具。

现在待机的珍珠是一张静态图。液态金属的球只在你点下去那一刻开始动，这一段结束就停。待机 CPU 从大约 5% 降到 0。热键模式里跟着光标走的光环也一样处理：第一次真正需要时才创建，所以打开桌宠模式根本不会启动光环的 WebKit 进程。

做到一半，转写开始要三四秒才回来，平时远不到一秒。我以为是桌宠的代码在做什么昂贵的事。不是。同一台 Mac 上跑着一个视频生成任务，GPU 被它占了。Whisper 的 encoder 跑在 Metal 上，排在它后面：负载下 encode 一步要 3.5 秒，GPU 空出来后大约 0.3 秒。

提这个是因为它正是用户会报成「新版本变慢了」的那种事，而诚实的回答是：看看还有什么在用你的 GPU。0.2 没有任何改动让转写变慢。同一个模型，同一条路径。

切 release 之前，我用合成的点击和按键事件驱动 App：打开菜单、切换桌宠、开始一段录音、录到一半切模式、打开历史、切换界面语言，反复。不是单元测试，是一个脚本在点真实的 App。它找到三件我手动没看到的事。

滚动条压住文字。转写长到需要滚动时，气泡的滚动条盖在每一行最后几个字上。修法：文字排版宽度减去滚动条的宽度。
残留的光环。热键录音进行中打开桌宠模式，光标光环会永远留在屏幕上，因为 idle 处理里桌宠那个分支从来没有把它藏起来。修法：每次 idle 都隐藏光环，并把指示器移到和当前录音状态匹配的那一个（球或光环）上。
一个重复的键让中文界面崩溃。本地化表是一个 Swift 字典字面量。两个条目用了同一个英文键。英文下什么都不会发生；界面语言设成中文时，字典初始化遇到重复键直接 trap，App 启动即死。修法：去重，再加一个重复就让构建失败的检查。

三个真 bug，其中一个是所有中文用户的启动崩溃，大约二十分钟的脚本点击找出来的。这是我做过的最便宜的测试。

Whisper 每一段只用一个语言 token 解码。中英混说的句子它必须选一个，所以整句偶尔会变成那一种语言。PushSense 已经在中文有可能出现时偏向中文。它永远不可能每次都对。

所以现在它告诉你。气泡的 meta 行和每一条历史都带着检测器听到的比例，English 59% · 中文 39%，领先的在前。混说的句子变成一种语言时，那一行就是原因。它不修正这个猜测，它只是不再藏起来。

免费，已签名并公证，macOS 13 或更高，Apple Silicon。下载最新版，或者先看演示。哪个窗口拒收了你的拖拽，告诉我是哪个，我在记一个列表。