Aloud — 把语音输入的引擎换成豆包流式 ASR

为什么做这个

说话比打字快，但 macOS 自带听写对中英混说基本没用。「用 Python 写个 retry 装饰器」这种句子，识别出来是一堆同音字加错断句。我要的很简单：按一下说话，再按一下出字，注入到任何当前聚焦的输入框，能听懂中英混和技术词，最好再有一个 LLM 顺手把明显的口误改回来——只改听错的，不许它润色改写。

yetone 有个开源的 voice-input，菜单栏交互和文字注入逻辑都现成。问题在引擎：它用 Apple 的 SFSpeechRecognizer，中英混和专业术语恰好是这个引擎的弱项。壳子对，引擎不对。fork 下来换掉。

它是什么

macOS 菜单栏小工具。Fn 按一下开始录音，胶囊浮窗带实时波形和上字，再按一下停，最终文本注入当前输入框，原剪贴板自动恢复。可选一层 LLM 纠错（豆包 seed lite），默认开，能关。

识别后端是火山豆包流式语音识别 2.0，WebSocket 连。纯本地触发，凭证存在本机，不走任何第三方中转。

实现过程

有意思的部分都在引擎替换上。

火山的流式 ASR 不是 REST，是自定义二进制 WebSocket 协议：4 字节头 + uint32 payload size + body，大端序，帧类型靠 header 第二字节的高低位区分（full client request / audio / server response / error）。手写了一层编解码（VolcProtocol.swift），最后一个音频包打特殊 flag 收尾。

音频管线得改。macOS 输入节点默认 44.1/48kHz Float32，豆包只吃 16kHz 16bit 单声道，用 AVAudioConverter 重采样，200ms 一块（6400 字节）往上推。握手没完成前积累的 buffer 要在握手回调里补发，不能丢。

踩得最深的坑：豆包流式 2.0 的 resource id 是 volc.seedasr.sauc.duration，1.0 才是 volc.bigasr.sauc.duration。用错服务端直接报 403 not granted，错误信息指向「服务未开通」，真实原因是 resource id 多写错一个词，bigasr 应是 seedasr。endpoint 也得是 bigmodel_async，/bigmodel 只认 1.0。这一个词调了挺久。

LLM 纠错那层用豆包 seed lite，关键是把 thinking 关掉——开着深度思考纠一句话要 30 秒，关掉 3 秒。prompt 写死只修明显语音误识别（「配森」→Python、「杰森」→JSON），不许改写、润色、删内容。

状态收敛用一个串行 queue 把 SpeechEngine 的读写和发送决策全压到一条线上，teardown 和 removeTap 加幂等 guard。这块跑了 Codex 审查，修掉几个重入崩溃和跨线程竞态的 P1。

它怎么到你手上

和 marklite 一样：不挂 GitHub Release。.app 打包成 zip 放 Cloudflare R2，独立桶挂 aloud-releases.openedon.com，下载页是本站的一部分。R2 出口流量免费，对单人项目这是目前最便宜的分发渠道。

基础壳子（Apple Speech 版）的源码是 yetone 公开的，在 https://github.com/yetone/voice-input-src；豆包引擎这一层是我自己改的。

下载

下载 Aloud for macOS — 仅 Apple Silicon。

用之前要先在火山引擎控制台开通豆包流式语音识别，把 AppID / Access Token 填进 App 的 Voice Engine Settings。未签名，首次打开右键选「打开」，或去 系统设置 → 隐私与安全性 → 仍要打开。还要给麦克风和辅助功能权限——监听 Fn 键和注入文字都需要。

这是个自用工具，早期、未签名、没自动更新。能用，但别指望它像成品。出问题 [email protected]。