字节笔记本
2026年10月24日 · 约 18 分钟读完
VoxFlow：把语音、截图、剪贴板缝进 AI 编程工作台
如果你每天在 ChatGPT、Claude、Codex、Cursor 之间反复切换，一边打字描述需求、一边截图贴报错、一边复制粘贴上下文，这篇文章介绍的工具，可能正是你缺的那块拼图。
它叫 VoxFlow（码上写），一个原生 macOS 应用，把"语音输入、OCR、剪贴板管理、AI Coding 助手控制台"四件事缝成了一个统一的工作台。
01 / 它到底解决了什么痛点
先说一个真实场景。
你在写代码，遇到一个 bug。正常的流程是：
- 切到 AI 编程助手（比如 Codex 或 Claude Code）
- 用键盘打字描述问题："这个函数报错了，错误信息是……"
- 截图报错弹窗，粘贴进去
- 复制相关代码片段，再粘贴进去
- 等回复，再切回来改
整个过程，你的手在键盘、鼠标、截图工具、剪贴板之间反复跳。描述需求用打字，贴上下文用截图，复制代码用快捷键，每一步都不难，但串起来极其割裂。
VoxFlow 想做的事，就是把这些割裂的步骤缝起来。
它的核心理念用一句话讲：
把语音、截图、剪切板和 Agent 指令，沉淀为可检索、可预览、可复用的本地资产，再送回你正在工作的地方。
注意三个关键词：本地资产（数据留在你机器上）、可复用（不是用完即弃）、送回当前工作处（不抢焦点、不自动发送）。
它不是又一个"语音助手"，而是一个贴在当前应用上的资产工作台 + 快速启动台。
02 / 核心能力：一张表看懂
VoxFlow 的功能不少，但作者用一张表讲得很清楚。我精简转述：
| 你想做什么 | 怎么触发 | 结果去哪 |
|---|---|---|
| 语音输入 | 按住快捷键说话，松开 | 插入到当前光标位置（不抢焦点） |
| 剪贴板图片 OCR | 复制图片后按 ⌘⇧V | 识别文字插入光标 |
| 框选截图处理 | 按 ⌘⇧A 框选屏幕 | OCR 面板，可继续翻译/总结/朗读 |
| 划词动作 | 选中文本后按 ⌘⇧F/J/K/L/P | F 动作卡；J 翻译；K 总结；L 发任务助手；P 发问 AI |
| 启动台问 AI | ⌥Space 打开启动台，输入问题选"问 AI" | 聊天 HUD，流式回复 |
| 启动台快速搜索 | 启动台输入关键词选 Quicklink | 默认浏览器（内置 Google/GitHub/B站/淘宝等） |
| 任务助手 | 读取当前窗口上下文 + 口述意图 | 生成可复制的提示词（只复制，不发送） |
| AI Coding 控制台 | 说出任务助手名称和任务 | 投递到本地 Codex/Claude/CodeBuddy 终端 |
这张表里有几个设计特别值得说。
"按住说话，松开输入"，最克制的一种语音
VoxFlow 的语音输入不是那种" Hey Siri"式的常驻监听，而是对讲机模式：按住快捷键说话，松开就把文字插到当前光标。
这个设计的好处是完全不抢焦点。你在 Cursor 里写代码，按住快捷键说一句"这里加个空值检查"，松开，文字就插进了 Cursor 的输入框，不需要切窗口、不需要点输入框。它真的只是"把语音变成键盘输入"。
框选截图的后续动作链
按 ⌘⇧A 框选屏幕后，OCR 出文字，这不是结束，而是开始，你可以对这个结果继续翻译、总结、朗读。一条链路把"截图→识别→处理"串起来了，不用在三个工具间倒腾。
划词动作：选中即处理
选中文本后，不同快捷键触发不同动作：翻译、总结、发给任务助手、发给问 AI。这把"选中→复制→切到翻译工具→粘贴→翻译→复制→切回来→粘贴"这一长串，压缩成了"选中→按一个键"。
03 / 语音识别：10 个本地模型 + 4 个云端，你挑
这是 VoxFlow 最硬核的部分。它不绑定某一个语音模型，而是把主流的本地和云端 ASR（语音识别）都接进来了，让你按场景选。
本地模型（音频不出本机）
| 模型 | 特点 |
|---|---|
| 系统自带 | 开箱即用，不用下模型 |
| Qwen3-ASR 0.6B / 1.7B | 默认推荐，体积和速度均衡；1.7B 准确率更高但吃内存 |
| FunASR Nano | 中文本地备选，不依赖 CoreML |
| Whisper Turbo / Large V3 | 多语言高质量，录音结束后的完整转写 |
| SenseVoice / Paraformer | 中文短句/转写 |
| NVIDIA Nemotron 0.6B | 原生流式，多语言 |
| Parakeet Streaming | 英文低延迟流式 |
| Omnilingual ASR | 超多语言覆盖 |
作者特别强调：本地模型的音频不上传到任何第三方云服务，推理在本机完成。这对处理敏感内容（内部代码、客户数据）的场景非常重要。
云端模型（显式配置才启用）
| Provider | 特点 |
|---|---|
| Groq（免费） | OpenAI 兼容接口，默认 whisper-large-v3-turbo，松开后快速返回 |
| 腾讯云 | 实时流式 WebSocket，中文普通话 |
| 阿里云 DashScope | 实时流式，中文和多语言 |
| 火山云 / AssemblyAI / ElevenLabs | 待实现，预留 |
云端模型的所有凭据（API Key、SecretId 等）都存在本地，不主动上传。选择云端还是本地，由你决定。
这个设计的妙处在于：它不替你做隐私权衡。你想要速度和准确率，选云端；你处理敏感数据，选本地。工具是中立的，开关在你手里。
04 / 易错词纠错：解决"AI 听不懂技术名词"
用语音输入写代码的人都有个体会：技术名词识别率惨不忍睹。"Kubernetes"被识别成"库伯耐特斯"，"macOS"变成"麦克 OS"，"React"变成"瑞克特"。
VoxFlow 用两层方案解决这个问题：
第一层：本地确定性规则（默认开）
你维护一张"易错词表"，比如 React → React、Kubernetes → K8s。识别完的文字会先过一遍这张表，做确定性的替换。规则在本地跑，不耗 token、不上传数据。
第二层：可选 LLM 纠错（默认关） 如果本地规则不够，可以开启 LLM 纠错，把识别文本发给一个 LLM 做后处理。这个功能默认关闭，开启后只把"识别出的文本"（不是音频）发到你配置的 API。
还有一个聪明的补充：上下文热词。它会用 Vision OCR 读取你当前屏幕上的文字，提取临时热词加进这次的识别 prompt 里，你在看一个关于"PostgreSQL"的文档，那这次语音输入里"PostgreSQL"就更不容易被识别错。
05 / AI Coding 助手控制台：用语音指挥多个 Agent
这是 VoxFlow 最有想象力的功能。
假设你同时开着 Codex、Claude Code、CodeBuddy 三个终端 Agent（很常见的多 Agent 工作流）。正常情况下，你要切到对应终端，打字下指令。
VoxFlow 的做法：你按住语音快捷键，直接说"Claude，帮我重构这个函数"，它会：
- 解析出目标 Agent（"Claude"）
- 展示确认状态
- 把指令投递到对应的终端会话
你用一句话，就把任务派给了指定的 Agent，不用切窗口、不用打字。
重要边界：它只投递已注册的会话，不自动提交。指令到了 Agent 的输入框，要不要执行还是你决定。这是 VoxFlow 一贯的克制，增强你的输入效率，但不替你做决策。
这个功能底层用了一个 Rust 写的 agent-cli helper/router，通过 JSON IPC 和 MCP 协议自报身份，把语音指令路由到正确的 Agent。
06 / 资产工作台：所有输入沉淀成可检索的资产
前面说的语音、截图、剪贴板，用完就过去了吗？没有。VoxFlow 把它们都沉淀成了本地资产，放在一个完整的工作台里：
| 工作台页面 | 能干什么 |
|---|---|
| 首页 | 历史资产、今日新增、来源分布；搜索/复制/删除 |
| 易错词 | 管理纠错规则、候选学习、启用状态 |
| 风格 | 为不同应用设置输出风格（原文/正式/邮件/编程说明） |
| 文件转写 | 导入音视频，排队转写，导出 txt/md/srt |
| 笔记 | 直接录音记笔记，编辑/搜索/回看 |
| 截图 | 浏览截图历史，看原图和 OCR 文本，收藏/搜索 |
| AI Coding 助手 | 查看已注册 Agent、别名、工作目录、分支、调度记录 |
| 设置 | 输入设备、快捷键、模型、权限、隐私 |
这意味着：你昨天语音输入的一段代码说明、前天截图的一个报错、刚才剪贴板复制的一段日志，全部可检索、可回看、可复用。不是用完即弃的一次性输入，而是一个持续积累的个人知识库。
07 / 隐私：能留在本机的，就留在本机
这是 VoxFlow 最值得称道的设计原则。作者把隐私说明写在很显眼的位置，核心几条：
- 历史记录、易错词、笔记、任务：本地保存
- 截图记录（原图 + OCR 文本）：本地保存，不上传
- 剪贴板资产：本地保存，有噪音过滤避免无意义内容长期占用
- LLM API Key：存 macOS Keychain（系统级加密）
- 云端 ASR 凭据：存本地 SQLite，设置页可临时显示/隐藏
- 本地模型：下载后在本机运行，音频不出机器
- LLM 纠错：默认关，开启后只发"识别文本"不发音频
- 选择云端 ASR 时：录音发给对应服务商（你主动选的）
- VoxFlow 自己：不会主动上传笔记、历史资产或剪贴板内容
这套隐私设计的关键是默认本地、云端显式。它不像很多工具那样默认把你的数据送上云，而是反过来，默认一切都在本地，只有你主动配置了云端 Provider，对应的数据才会上传，而且只上传必要的部分。
08 / 技术栈：原生 macOS，不是 Electron 壳
这点在当下尤其难得。VoxFlow 是原生 macOS 应用，用 Swift 6 + SwiftUI + AppKit + SwiftPM 构建，不是 Electron 套壳。
这意味着：
- 轻量：不像 Electron 应用动辄占几百 MB 内存
- 快：原生 UI 响应、系统集成度高
- 省电：没有 Chromium 后台进程持续耗电
技术栈几个亮点：
| 模块 | 技术 |
|---|---|
| App 壳层 | Swift 6、SwiftUI、AppKit、SwiftPM |
| 系统能力 | AVFoundation、Speech、Vision、Accessibility、Pasteboard |
| 截图采集 | ScreenCaptureKit、CoreGraphics、Vision |
| 本地 ASR | speech-swift、WhisperKit、FluidAudio、Sherpa-ONNX |
| 云端 ASR/LLM | OpenAI 兼容 HTTP、Groq、腾讯云、阿里云 |
| 易错词纠错 | 自研 VoxFlowVoiceCorrectionKit（借鉴 TypeWhisper） |
| AI Coding 助手 | Rust 写的 agent-cli helper/router + JSON IPC + MCP |
特别值得说的是 AI Coding 助手用 Rust 写 helper，在 Swift 应用里嵌一个 Rust 组件处理 Agent 路由，这是个很务实的工程选择：Swift 管 UI，Rust 管性能敏感的 IPC 路由。
09 / 它适合谁
根据作者 README 的"适合谁"章节，再结合我的判断：
高度匹配的场景：
- 🎯 经常和 ChatGPT/Claude/Codex/Cursor 沟通，需要快速描述需求、上下文、修改意见
- 🎯 同时开多个终端 Agent（Codex + Claude + CodeBuddy），想用语音派任务
- 🎯 写代码时常要解释 bug、补注释、写 commit message、记录排查过程
- 🎯 经常从截图/网页/报错弹窗提取文字，再翻译或总结
- 🎯 中英文混说多，希望技术词、产品名、专有名词识别更准
可能不适合：
- 不用 Mac 的（这是原生 macOS 应用）
- 习惯纯键盘流、不需要语音输入的
- 对"又一个工具"有抵触，喜欢极简工作流的
10 / 几个值得琢磨的设计哲学
看完整个项目，我觉得 VoxFlow 背后有几条一以贯之的设计哲学，值得单独拎出来说。
哲学一：增强输入，不替你决策
这是 VoxFlow 最克制的地方。它只复制、不自动发送；只投递、不自动提交。语音转的文字到了光标，发不发出你决定；任务助手的提示词生成了，用不用你决定；指令投给 Agent 了，执不执行你决定。
这在 AI 工具普遍"越俎代庖"的当下很难得。很多工具恨不得替你把所有事做完，VoxFlow 反而守住了"工具是工具，人是人"的边界。
哲学二：本地优先，云端可选
默认一切在本地。音频、截图、笔记、历史，能不上云就不上云。云端能力（ASR、LLM）都是显式配置才启用，而且只传必要数据。
这呼应了我们前面聊过的 Osaurus、Cloudflare 那条线，2026 年的工具越来越强调"数据主权"。用户的代码、对话、屏幕内容，默认应该留在用户机器上。
哲学三：把割裂的步骤缝起来
语音、截图、剪贴板、Agent 控制，这四件事以前是四个工具。VoxFlow 把它们缝成一个工作台，而且缝得很自然：截图完能翻译，翻译完能总结，总结完能发给 Agent。不是简单的功能堆砌，而是工作流的连贯。
哲学四：沉淀成资产，而非用完即弃
这是最高明的一点。大多数输入工具（语音输入法、截图工具、剪贴板管理）都是一次性的，用完就过去了。VoxFlow 把每一次输入都沉淀成可检索的资产，时间一长，它就成了你的个人工作知识库。
11 / 怎么获取
- 项目地址：github.com/xingbofeng/VoxFlow
- 官网：xingbofeng.github.io/VoxFlow
- 系统要求：macOS（具体版本见 README）
- 开源协议：见仓库 LICENSE（注意是 NOASSERTION，使用前确认条款）
- 语言：原生 Swift，提供中/英/日/韩多语言 README
推荐这位作者是 @jaywcjlove（小弟调调），这是国内非常活跃的开源作者，做了大量 macOS 工具和前端库。他转发了这个项目，质量有背书。
写在最后
VoxFlow 不是那种"颠覆性"的产品，它是那种把已有能力组合得更顺手的工具。语音识别不新鲜、OCR 不新鲜、剪贴板管理不新鲜、Agent 控制不新鲜，但把它们缝成一个原生 macOS 应用、守住本地优先和"不替你决策"的边界、把每次输入沉淀成可复用资产，这组合就很有价值。
如果你是 Mac 上的重度 AI 编程用户，每天在多个 Agent 间切换、频繁描述需求、截图贴报错，值得花一个下午试试。
它可能不会立刻改变你的工作流，但一旦用顺了，你会发现那些"切窗口、打字、截图、粘贴"的割裂感，悄悄消失了。
项目信息基于 2026 年 6 月 VoxFlow 仓库 README。功能、模型支持、技术栈可能随版本更新调整，以仓库实时为准。
项目地址：github.com/xingbofeng/VoxFlow
本文是第二大脑 vault 的 raw 阅读笔记（2026-06 编译），观点与数字以写作时点为准。全系列背景见《把 18 篇文章喂给 Claude，编译出一座第二大脑》。
