在 PC 上“动嘴不动手”，即可把语音实时转成文字、翻译、改写，并同步开源 GLM-ASR 模型供开发者二次定制。
1 主要功能
1.1 语音转文字：普通话、英语、粤语、四川话等 12 种语言方言，实时转写准确率 ≥ 98%。
1.2 智能翻译：说中文出英文，或反向互译，支持 60+ 语言，自动识别语境。
1.3 文本改写：一键把口语变成书面语、商务邮件、小红书文案等 8 种风格。
1.4 离线/在线双模式：Nano 端侧模型 200 MB，断网也能跑；云端大模型精度更高。
1.5 语音指令：用“换行”“删除上一句”“发送”等口令直接控制输入，无需键盘。
1.6 个性化词库：自动学习用户人名、专业术语，后续识别越用越准。
1.1 语音转文字：普通话、英语、粤语、四川话等 12 种语言方言，实时转写准确率 ≥ 98%。
1.2 智能翻译：说中文出英文，或反向互译，支持 60+ 语言，自动识别语境。
1.3 文本改写：一键把口语变成书面语、商务邮件、小红书文案等 8 种风格。
1.4 离线/在线双模式：Nano 端侧模型 200 MB，断网也能跑；云端大模型精度更高。
1.5 语音指令：用“换行”“删除上一句”“发送”等口令直接控制输入，无需键盘。
1.6 个性化词库：自动学习用户人名、专业术语，后续识别越用越准。
2 技术原理
2.1 GLM-ASR 架构：基于 GLM 通用语言模型，融合 Conformer 编码器 + 双向 LSTM 语言模型，端到端 CTC/Attention 混合损失。
2.2 流式推理：采用动态块注意力，每 300 ms 输出一次结果，延迟 < 400 ms。
2.3 端侧量化：INT8 权重压缩 + 动态剪枝，CPU 占用 < 8%，笔记本续航无感。
2.4 多任务联合：ASR、标点、时间戳、说话人分离一次性输出，减少级联误差。
2.5 开源协议：模型权重 Apache 2.0，代码 MIT，允许商用与二次分发。
2.1 GLM-ASR 架构：基于 GLM 通用语言模型，融合 Conformer 编码器 + 双向 LSTM 语言模型，端到端 CTC/Attention 混合损失。
2.2 流式推理：采用动态块注意力，每 300 ms 输出一次结果，延迟 < 400 ms。
2.3 端侧量化：INT8 权重压缩 + 动态剪枝，CPU 占用 < 8%，笔记本续航无感。
2.4 多任务联合：ASR、标点、时间戳、说话人分离一次性输出，减少级联误差。
2.5 开源协议：模型权重 Apache 2.0，代码 MIT，允许商用与二次分发。
3 应用场景
3.1 办公写作：会议录音实时转纪要，说稿即出 Word。
3.2 外语交流：与海外客户开会时，中文说完自动出英文句，字幕级体验。
3.3 视频字幕：UP 主录屏同期声直接生成 srt，节省后期 80% 时间。
3.4 无障碍输入：肢体不便人群用语音完成论文、代码注释、聊天。
3.5 教育课堂：教师讲课同步生成板书文字，课后一键发给学生。
3.1 办公写作：会议录音实时转纪要，说稿即出 Word。
3.2 外语交流：与海外客户开会时，中文说完自动出英文句，字幕级体验。
3.3 视频字幕：UP 主录屏同期声直接生成 srt，节省后期 80% 时间。
3.4 无障碍输入：肢体不便人群用语音完成论文、代码注释、聊天。
3.5 教育课堂：教师讲课同步生成板书文字，课后一键发给学生。
4 使用方法
4.1 下载：官网或 GitHub Releases 获取 Windows/macOS 安装包，一键安装。
4.2 注册：新用户手机验证即送 2000 积分，可抵扣 28 天云端大模型流量。
4.3 设置：选择“在线/离线”模式、语言、快捷键（默认 F6 开关麦克风）。
4.4 输入：在任意文本框点击麦克风图标，或长按自定义快捷键，开始说话即可见文字。
4.5 翻译/改写：选中文字 → 点悬浮球 → 选择“中→英”或“口语→书面语”立即替换。
4.6 词库：设置→个人词库→添加专业术语，后续自动高准识别。
4.1 下载：官网或 GitHub Releases 获取 Windows/macOS 安装包，一键安装。
4.2 注册：新用户手机验证即送 2000 积分，可抵扣 28 天云端大模型流量。
4.3 设置：选择“在线/离线”模式、语言、快捷键（默认 F6 开关麦克风）。
4.4 输入：在任意文本框点击麦克风图标，或长按自定义快捷键，开始说话即可见文字。
4.5 翻译/改写：选中文字 → 点悬浮球 → 选择“中→英”或“口语→书面语”立即替换。
4.6 词库：设置→个人词库→添加专业术语，后续自动高准识别。
5 适用人群
-
每天写邮件、做纪要的白领与行政
-
需要制作双语字幕的自媒体创作者
-
码农/技术博主（写注释、文档）
-
外语学习者、跨境贸易销售
-
手部障碍、长时间打字的颈椎病患者
6 优缺点介绍
优点
优点
-
开源可改，开发者能自行蒸馏更小模型或接入业务系统。
-
端侧离线，保护商业隐私，飞机高铁也能用。
-
支持语音指令，彻底解放双手。
-
新用户 28 天免费，足够验证效果。
缺点
-
端侧模型在嘈杂环境识别率下降 5–8%，需手动切换云端。
-
目前桌面端仅支持 Windows/macOS，Linux 需自行编译。
-
翻译风格偏向通用，专业领域（医学、法律）仍需人工润色。
-
积分用完后云端按小时计费，高频用户成本高于普通输入法会员。
标签推荐：语音识别、AI输入法、实时翻译、开源模型、办公效率、无障碍工具
GPT-realtime 是 OpenAI发布的语音到语音模型，能够通过单个模型和 API 处理从音频输入到音频输出的全流程，为语音交互带来革命性突破。