术语表
听写，讲得明明白白。
语音转文字的词汇，每个术语一页：它是什么意思，为什么在实践中重要，营销宣传常在哪里把它说得含糊，以及你可以在哪里看到它的实际运作。
在你的Mac上
macOS中听写会遇到的设置、按键和功能，以及它们各自在哪里。
地球仪键Fn键、功能键
地球仪键是Mac键盘上标有地球仪符号的按键，通常还标有fn。
阅读定义
语音控制Mac语音命令
语音控制是macOS内置的一项无障碍功能，让你完全用声音操作Mac。
阅读定义
听写命令Mac听写命令、语音标点命令
听写命令是你在Mac上使用听写时说出的字词和短语，用来输入标点符号、符号、大写字母和格式，而不是普通文本。
阅读定义
自动标点符号自动标点
自动标点符号是Mac听写的一项设置，会在你听写时自动插入逗号、句号和问号。
阅读定义
输入音量麦克风音量、输入电平、麦克风增益
输入音量是Mac上的一项设置，控制从所选麦克风或其他输入设备采集声音的强度。
阅读定义
麦克风模式麦克风模式、语音突显、宽谱
麦克风模式是macOS的一项控制，在支持它的App中，可以改变Mac麦克风处理你周围声音的方式。
阅读定义
安全键盘输入Secure Event Input、安全输入
安全键盘输入是Mac上“终端”的一项设置，可以防止电脑或网络上的其他App检测和记录你在“终端”中键入的内容。
阅读定义
实时字幕即时字幕、实时转写
实时字幕是macOS的一项无障碍功能，它会在屏幕上的一个窗口中实时显示语音音频的转写文字，适用于任何App中的音频，也适用于你身边的现场对话。
阅读定义
优化听写使用优化听写、离线听写
优化听写是旧版macOS中“键盘”偏好设置里“听写”面板的一个复选框，它会把语音识别软件下载到Mac上，让你可以离线听写。
阅读定义
改进Siri与听写共享录音、Siri与听写历史记录
“改进Siri与听写”是一项需要你主动选择加入的隐私设置，它允许Apple储存和检查你与Siri和听写交互时的部分音频样本，用来开发和改进这些功能。
阅读定义
Apple智能
Apple智能是内置于macOS中的一组Apple生成式AI功能，包括用于改写、校对和总结文本的写作工具。
阅读定义
SpeechAnalyzerSpeechTranscriber、Speech框架
SpeechAnalyzer是Apple Speech框架中的一个类，随macOS 26和iOS 26推出，App用它把语音音频转成文本。
阅读定义
和它说话
关于听写如何开始、如何停止，以及如何到达你正在使用的App的词语。
听写
听写是通过说话来生成书面文字，说出的话会在你书写的位置被实时或近乎实时地转写。
阅读定义
语音输入
语音输入是听写的另一种叫法：通过说话而不是使用键盘，把文字输入App中。
阅读定义
转写文件转写
转写是在事后把已有的音频或视频录制内容转换成文字。
阅读定义
按键说话按住说话
按键说话是一种激活方式，只有按住某个键时才会录音：按下、说话、松开，完成。
阅读定义
语音活动检测VAD
语音活动检测（VAD）是一种判断有人在说话，还是只有静音或背景噪声的技术。
阅读定义
唤醒词热词
唤醒词是一个让聆听设备启动的口令，比如“嘿Siri”或“Alexa”。
阅读定义
无障碍权限无障碍权限
无障碍权限是macOS中的一项设置，它让一个App能够读取和控制其他App的界面。
阅读定义
它怎样听你说话
模型、测量指标，以及把音频转成文字时会出现的问题。
语音转文字STT
语音转文字（STT）是把口语音频转换成书面文字的技术。
阅读定义
自动语音识别ASR
自动语音识别（ASR）是把人类语音音频转换成文字的机器学习领域，也指这一类模型。
阅读定义
Whisper
Whisper是OpenAI于2022年发布的一系列开源语音识别模型，用68万小时的音频训练，支持约99种语言。
阅读定义
Parakeet
Parakeet是NVIDIA推出的一系列开源语音识别模型，基于transducer架构，可以在音频到达的同时输出文字。
阅读定义
Neural EngineANE
神经网络引擎是Apple芯片中专为高效运行机器学习模型而设计的部分，与CPU和GPU并列。
阅读定义
流式转写实时转写
流式转写会在你还在说话时就把文字显示在屏幕上，而不是等你停下之后。
阅读定义
语种识别LID
语种识别是语音软件在转写之前或转写过程中，判断说的是哪种语言的步骤。
阅读定义
词错误率WER
词错误率（WER）是衡量语音识别准确度的标准指标：模型出错的词数，除以实际说出的词数。
阅读定义
幻觉
在语音识别中，幻觉是指模型生成了没有人说过的文字：从静音、噪音或短到无法转写的片段中，编造出看似合理的短语。
阅读定义
延迟松开按键后的延迟
在听写中，延迟是指从你说完话到成文出现在光标处之间的时间。
阅读定义
说话人分离说话人标签
说话人分离是判断录音中谁在什么时候说话的过程，以便按说话人给转写文本加上标签。
阅读定义
Whisper large-v3 turboWhisper turbo、large-v3-turbo
Whisper large-v3 turbo是OpenAI推出的语音识别模型，于2024年10月1日发布。
阅读定义
Cohere Transcribecohere-transcribe-03-2026
Cohere Transcribe是Cohere推出的开源语音识别模型，于2026年3月发布。
阅读定义
Qwen3-ASRQwen3-ASR-1.7B、Qwen3-ASR-0.6B
Qwen3-ASR是阿里巴巴Qwen团队推出的一系列开源语音识别模型，于2026年1月29日发布。
阅读定义
MLXApple MLX、MLX框架
MLX是一个面向Apple芯片的开源机器学习数组框架，由Apple的机器学习研究团队开发。
阅读定义
Core MLCoreML、Apple Core ML
Core ML是Apple的框架，用于在App内、在设备上运行机器学习模型。
阅读定义
量化模型量化、4位、8位
量化是用更少的位数存储模型中的每个数值，例如原本用16位或32位，现在用4位或8位。
阅读定义
实时率RTF、RTFx
实时率（RTF）是语音识别系统处理音频所用的时间除以这段音频的时长。
阅读定义
输出的结果
从原始转写文本到你自己打字会写出的文字，中间发生的一切。
言语不流畅语气词
言语不流畅是指流畅语流中的任何中断：像“um”和“uh”这样的语气词、重复的词、说错重来，以及自我更正。
阅读定义
格式化处理后处理
格式化处理是语音识别之后的一个步骤，它把原始转写文本变成一个人会打出来的文字：加上标点和大小写，用数字书写数字，去掉语气词，并采用适合文字去处的语气。
阅读定义
逐字模式
逐字模式是一种听写设置，输出的正是你所说的内容，除了基本的识别之外，不做任何改写、语气调整或整理。
阅读定义
口述标点语音命令
口述标点是指说出一个标点或符号的名称，比如“comma”、“open paren”或“new paragraph”，让听写工具输入这个符号，而不是这个词。
阅读定义
文本扩展片段
文本扩展会把一个简短的触发词替换为一段更长的已保存文字：地址、签名、常用回复。
阅读定义
个人词典自定义词汇
个人词典是听写工具被教会按你的方式拼写的词语列表：名字、产品、行话，以及语音模型若不教就会按最可能的英语来写的任何词。
阅读定义
语气匹配语域
语气匹配是一种格式化功能，它会根据文字的去处，把同样的听写内容写成不同的样子：在聊天App中用小写、随意一些，在邮件中加标点、写完整，在终端中原样不动。
阅读定义
每分钟词数WPM
每分钟词数（WPM）衡量的是文字产出速度。
阅读定义
在哪里运行
决定你的声音是否会变成别人数据的两个词。
