VoxFlow：把语音、截图、剪贴板缝成一个 AI 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，那么这篇文章介绍的开源工具，可能正是你缺的那块拼图。

它叫 VoxFlow，一个原生 macOS 应用，把语音输入、OCR、剪贴板管理和 AI 编码助手控制台这四件事，缝成了一个统一的工作台。

它到底解决了什么痛点

先看一个真实场景。你在写代码时遇到一个 bug，正常流程是这样的：切到 AI 编码助手，用键盘打字描述问题；截图报错弹窗，粘贴进去；再复制相关代码片段贴进去；等回复，切回来改。整个过程里，你的手在键盘、鼠标、截图工具和剪贴板之间反复跳。每一步都不难，但串起来极其割裂。

VoxFlow 想做的，就是把这些割裂的步骤缝起来。它的核心理念一句话就能讲清：把语音、截图、剪贴板和 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。

这里有三个关键词值得注意：本地资产，意思是数据留在你机器上；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。所以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加快速启动台。

核心能力一览

VoxFlow 的功能不少，整理成一张表更容易看懂：

表里几个设计特别值得展开。

按住说话，松开输入。 VoxFlow 的语音输入不是常驻监听，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。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，文字就进了 Cursor 的输入框，不需要切窗口，也不需要点输入框。它真的只是把语音变成键盘输入。

截图后的动作链。 框选截图 OCR 出文字不是结束，而是开始：识别结果可以继续翻译、总结、朗读。一条链路把截图、识别、处理串起来，不用在三个工具之间倒腾。

划词即处理。 选中文本后，不同快捷键触发不同动作。原来“选中、复制、切到翻译工具、粘贴、翻译、复制、切回来、粘贴”的一长串，被压缩成“选中、按一个键”。

语音识别：10 个本地模型，云端可选

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 都接进来，按场景挑选。

本地模型方面：系统自带方案开箱即用，不用下载模型；Qwen3-ASR 0.6B 与 1.7B 是默认推荐，体积和速度均衡，1.7B 准确率更高但更吃内存；FunASR Nano 是中文本地备选，不依赖 CoreML；Whisper Turbo 与 Large V3 提供多语言高质量转写；SenseVoice 和 Paraformer 侧重中文短句与转写；NVIDIA Nemotron 0.6B 支持原生流式多语言；Parakeet Streaming 主打英文低延迟流式；还有覆盖超多语言的 Omnilingual ASR。项目特别强调，本地模型的音频不上传任何第三方云服务，推理全部在本机完成，这对处理内部代码、客户数据这类敏感内容非常重要。

云端模型包括：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，面向中文普通话；阿里云 DashScope，实时流式，支持中文与多语言；火山云、AssemblyAI、ElevenLabs 在规划中。所有云端凭据存在本地，显式配置才会启用。

这个设计的妙处在于它不替你做隐私权衡：想要速度和准确率就选云端，处理敏感数据就选本地，开关始终在你手里。

易错词纠错：让 AI 听懂技术名词

用语音输入写代码的人都有体会：技术名词的识别率往往惨不忍睹，Kubernetes 被识别成“库伯耐特斯”，macOS 被识别成“麦克 OS”，React 被识别成“瑞克特”。VoxFlow 用两层方案解决这个问题。

第一层是本地确定性规则，默认开启。你维护一张易错词表，比如把 Kubernetes 替换成 K8s，识别完成的文字先过一遍这张表做确定性替换。规则在本地运行，不耗 token，也不上传数据。

第二层是可选的 LLM 纠错，默认关闭。开启后只把识别出的文本（不是音频）发给你配置的 API 做后处理。

还有一个聪明的补充叫上下文热词：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识别。你正看着一篇关于 PostgreSQL 的文档，那这次语音输入里的 PostgreSQL 就更不容易被识别错。

用语音指挥多个编码 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，这在多 Agent 工作流里很常见，正常情况下你要切到对应终端、打字下指令。VoxFlow 的做法是：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，展示确认状态，然后把指令投递到对应的终端会话。一句话就把任务派给了指定的 Agent，不用切窗口，也不用打字。

边界要说清楚：它只投递已注册的会话，不自动提交。指令到了 Agent 的输入框，要不要执行仍由你决定。这是 VoxFlow 一贯的克制：增强你的输入效率，但不替你做决策。

底层则是一个用 Rust 写的 agent-cli helper，通过 JSON IPC 和 MCP 协议自报身份，把语音指令路由到正确的 Agent。

资产工作台：输入沉淀成可检索的资产

语音、截图、剪贴板，用完就过去了吗？在 VoxFlow 里没有，它们都被沉淀成本地资产，放进一个完整的工作台。

首页汇总历史资产、今日新增与来源分布，支持搜索、复制、删除；易错词页管理纠错规则与候选学习；风格页为不同应用设置输出风格，比如原文、正式、邮件、编程说明；文件转写页可以导入音视频排队转写，导出 txt、md、srt；笔记页直接录音记录，支持编辑、搜索、回看；截图页浏览历史截图，查看原图与 OCR 文本，可收藏可搜索；AI 编码助手页查看已注册 Agent 的别名、工作目录、分支与调度记录；设置页管理输入设备、快捷键、模型、权限与隐私。

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、刚才复制的一段日志，全部可检索、可回看、可复用。它不是用完即弃的一次性输入工具，而是一个持续积累的个人知识库。

隐私：能留在本机的，就留在本机

VoxFlow 的隐私设计值得单独一节，项目把隐私说明放在了很显眼的位置。

历史记录、易错词、笔记、任务本地保存；截图原图与 OCR 文本本地保存，不上传；剪贴板资产本地保存，并带噪音过滤，避免无意义内容长期占用；LLM API Key 存进 macOS Keychain，享受系统级加密；云端 ASR 凭据存本地 SQLite，可在设置页临时显示或隐藏；本地模型下载后在本机运行，音频不出机器；LLM 纠错默认关闭，开启后只发识别文本、不发音频；只有你主动选择云端 ASR 时，录音才会发给对应服务商。

一句话总结这套设计：默认本地，云端显式。它不是默认把你的数据送上云，而是反过来，只有你主动配置了云端服务，对应数据才会上传，而且只上传必要的部分。VoxFlow 自己不会主动上传笔记、历史资产或剪贴板内容。

技术栈：原生 macOS，不是 Electron 壳

这点在当下尤其难得。VoxFlow 用 Swift 6、SwiftUI、AppKit 和 SwiftPM 构建，是真正的原生应用。相比 Electron 套壳，它更轻量，不用动辄占几百 MB 内存；响应更快，系统集成度更高；也更省电，没有 Chromium 后台进程持续耗电。

系统层用了 AVFoundation、Speech、Vision、Accessibility、Pasteboard；截图采集用 ScreenCaptureKit 加 CoreGraphics；本地 ASR 整合了 speech-swift、WhisperKit、FluidAudio、Sherpa-ONNX；云端接 OpenAI 兼容 HTTP、Groq、腾讯云、阿里云；易错词纠错是自研的 VoxFlowVoiceCorrectionKit；AI 编码助手路由则是 Rust 写的 agent-cli 加 JSON IPC 与 MCP。

在 Swift 应用里嵌一个 Rust 组件处理 Agent 路由，是个务实的工程选择：Swift 管 UI，Rust 管性能敏感的 IPC。

它适合谁

高度匹配的场景：经常和 ChatGPT、Claude、Codex、Cursor 沟通，需要快速描述需求、上下文和修改意见；同时开多个终端 Agent，想用语音派任务；写代码时常要解释 bug、补注释、写提交信息、记录排查过程；经常从截图、网页、报错弹窗里提取文字，再做翻译或总结；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 的用户，这是原生 macOS 应用；习惯纯键盘流、不需要语音输入的人；以及对“又一个工具”有抵触、喜欢极简工作流的人。

几条一以贯之的设计哲学

增强输入，不替你决策。 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。在 AI 工具普遍越俎代庖的当下，它守住了“工具是工具，人是人”的边界。

本地优先，云端可选。 音频、截图、笔记、历史，能不上云就不上云，云端能力全部显式配置才启用，而且只传必要数据。放在 2026 年的开发者工具里看，本地优先和数据主权正在成为一条越来越清晰的主线：用户的代码、对话和屏幕内容，默认应该留在用户自己的机器上。

把割裂的步骤缝起来。 语音、截图、剪贴板、Agent 控制以前是四个工具，VoxFlow 把它们缝成一个工作台，而且缝得自然：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。

沉淀成资产，而非用完即弃。 大多数输入工具都是一次性的，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。

怎么获取

项目地址：github.com/xingbofeng/VoxFlow；官网：xingbofeng.github.io/VoxFlow。项目用原生 Swift 实现，README 提供中、英、日、韩多语言版本；许可证标记为 NOASSERTION，商用或二次分发前建议先到仓库确认具体条款；系统要求见仓库 README。

写在最后

VoxFlow 不是那种颠覆性的产品，它是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 控制也不新鲜，但把它们缝进一个原生 macOS 应用、守住本地优先与不替你决策的边界、再把每次输入沉淀成可复用的资产，这个组合就很有价值。

如果你是 Mac 上的重度 AI 编码用户，每天在多个 Agent 之间切换、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，那些切窗口、打字、截图、粘贴的割裂感，会悄悄消失。

注：项目信息基于 2026 年 6 月的 VoxFlow 仓库 README，功能、模型支持与技术栈可能随版本更新调整，以仓库实时状态为准。