Handy 是一个免费、开源的桌面语音输入应用：按下一个快捷键开始说话，松开后你说的话就会被转成文字，并自动输入到当前光标所在的任意文本框里。整个过程都在你自己的电脑上完成，语音不会上传到任何服务器。它面向所有想在电脑上「用嘴打字」的人——比如不想手敲长文的普通用户、需要语音输入的无障碍人群，以及一切在意语音隐私的人。
这个项目在 GitHub 上已经拿到 31.5k star（仓库 cjpais/Handy），最新版本 v0.9.6 发布于 2026 年 8 月 24 日，支持 Windows、macOS 和 Linux 三大桌面系统。
它解决什么问题
主流语音输入的普遍做法是「云端识别」：录音被传到服务器，识别成文字后再传回来。好处是识别模型可以做得很大，坏处是你的每一句话都经过了别人家的服务器——内容、口音、环境音都可能被留存。
Handy 换了一条路：把语音识别模型直接装进本地电脑，录音、识别、输出全在本机完成。官方对它的定位很明确：语音不进云端，无障碍工具不该被付费墙挡住。它自认的目标也不是「最好的语音转文字应用」，而是「最容易被二次开发的那一个」——代码完全开放，任何人都能 fork（复制一份代码自己改）扩展。
怎么用它
使用流程只有三步：
- 按下设置的快捷键开始录音（可以按住说话，也可以按一下切换开关）
- 说完松开，识别在本机完成
- 转好的文字自动粘贴进你正在用的应用——聊天窗口、邮件、代码编辑器都行
安装也很简单：Windows 上执行 winget install cjpais.Handy，macOS 上执行 brew install --cask handy，也可以直接去 GitHub Releases 页面下载安装包。首次启动后在设置里授权麦克风和辅助功能权限、配置快捷键即可。
本地识别是怎么做到的
Handy 的技术底座是 Tauri——一种用 Rust 语言写系统层、用网页技术写界面的桌面应用框架，比传统的 Electron 方案更轻量、内存占用更小。前端界面用 React + TypeScript，后端用 Rust 处理音频和模型推理。
识别部分提供两类模型选择：
- Whisper 系列：OpenAI 开源的语音识别模型，提供 Small / Medium / Turbo / Large 四档，有 GPU 时自动加速，适合追求高准确率的用户
- Parakeet V3：NVIDIA 推出的 CPU 优化模型，不需要独显也能跑，中端 CPU（官方在 i5 上测试）大约能以 5 倍实时速度处理语音——说 1 秒的话，约 0.2 秒就出结果，还支持自动语言识别，不用手动选语言
此外，录音时会有 VAD（语音活动检测） 把关——它负责判断「人什么时候开始说话、什么时候停」，把沉默的片段过滤掉，既省算力也减少误识别。
适合谁用
- 隐私敏感用户：工作内容、个人对话不想经过云端，Handy 的本地处理是硬性保障
- 语音输入高频用户：写长文、回消息、记笔记不想一直敲键盘的人
- 无障碍需求人群：手部不便、需要纯语音操作电脑的用户，免费开源意味着没有订阅门槛
- 开发者：想研究或改造语音输入方案的人，可以直接基于它二次开发，官方还提供命令行参数和 Raycast 集成（macOS 上通过 Raycast 插件控制开始/停止录音）
现状与已知限制
Handy 目前支持 Windows x64、macOS（Intel 和 Apple Silicon）以及 Linux x64，仓库已有 64 个正式版本、171 位贡献者，采用 MIT 许可（项目名称和 Logo 等品牌资产不开放使用）。
需要注意的已知问题：Linux 的 Wayland 图形环境支持有限，需要额外安装 wtype / dotool 之类的输入工具才能正常把文字送进文本框；Whisper 模型在部分 Windows 和 Linux 配置下存在崩溃报告，项目正在社区里征集修复。
结论
如果你的诉求是「语音输入，但语音绝不出本机」，Handy 是目前免费开源方案里最值得一试的一个：安装一条命令、使用三步搞定、模型可选 CPU 或 GPU，隐私和可控性都握在自己手里。