在云端语音识别已成为默认选项的当下，隐私敏感型用户和离线办公场景对本地转写的需求反而愈发强烈。本地按住说话（hold-to-talk）语音管道的核心价值在于：录音与推理全部在设备端完成，没有任何音频数据离开本地环境，同时通过按键驱动的方式将延迟压缩到可接受范围。与连续监听模式的语音助手相比，按住说话省去了热词检测的误触发概率，也避免了持续占用计算资源带来的功耗问题。实现这样一条管道，需要在音频捕获、语音活动检测、模型推理和文本插入四个阶段分别选取合适的组件并调优参数，本文将给出可直接落地的工程建议。
音频捕获阶段是整个管道延迟的起点。macOS 上推荐使用 CoreAudio 的轻量封装或 PortAudio 跨平台库，关键参数是采样率与缓冲区大小。16 kHz 的采样率足以覆盖人类语音的主要频段（300 Hz–3400 Hz），而缓冲区大小直接决定每次回调的音频帧长度。缓冲区过大会增加端到端延迟（通常 20ms 缓冲区对应约 60ms 的整体延迟），缓冲区过小则导致 CPU 中断频繁反而降低吞吐量。工程实践中建议将缓冲区设置为 512 采样点（在 16 kHz 下约 32ms），配合双缓冲机制将实际感知延迟控制在 100ms 以内。音频格式统一采用 16 位单声道 PCM，放弃立体声或高位深以减少不必要的数据搬运。
语音活动检测（VAD）在按住说话模式中承担双重角色：一是判断用户是否仍在说话，从而决定何时松开按键后触发转写；二是过滤背景噪声，避免无声片段浪费模型算力。轻量级方案可选用 WebRTC VAD（仅支持 16kHz），对资源敏感的场景也可以使用基于能量阈值的简单检测器。如果希望实现热词唤醒而非纯按键驱动，Porcupine 是 macOS 上成熟的开源选项，支持自定义唤醒词且模型文件体积在几百 KB 级别。需要注意的是，按住说话模式对 VAD 的实时性要求低于连续监听模式，误判带来的代价仅是多余的模型推理而非频繁唤醒，因此可以适当放宽 VAD 阈值以降低漏检率。
推理引擎的选择直接决定转写速度与准确率的平衡。当前 macOS 本地推理的主流方案是 OpenAI Whisper，通过 whisper.cpp 在 CPU 或 Metal Performance Shaders（MPS）后端上运行。Apple Silicon 芯片对 MPS 有原生加速，实测 base 模型（74M 参数）在 M1 MacBook Pro 上可达 2–3 倍实时转写速度，large 模型（1550M 参数）则需要约 5–8 倍实时时间。对于日常办公场景，base 或 small 模型已能提供 95% 以上的词准确率（WER），且内存占用控制在 500MB 以内。推理时的关键参数包括批处理大小（建议设为 1 以降低首词延迟）、量化精度（int8 量化可减少 30% 推理时间且几乎不影响准确率），以及是否启用贪心解码（greedy decoding）而非束搜索（beam search）—— 前者延迟更低，后者略准确但速度下降明显。
最后一个环节是将转写结果插入光标所在位置。这需要获取 macOS 的 Accessibility 权限，调用 AXUIElement API 定位当前焦点的文本输入框并执行插入操作。常见实现是监听全局键盘事件（通过 CGEventTap 或 Hammerspoon），当检测到指定热键（例如右 Option 键）被按下时启动录音，松开时停止录音并触发转写。热键的选择应避开系统保留键，推荐使用 Fn 或不常用的修饰键组合。插入完成后可自动模拟一次回车或空格键以完成输入流程。整个过程需要在状态栏常驻一个小图标，显示当前状态（等待、录音中、转写中、已完成）以便用户感知管道状态。
监控与回滚策略是生产部署时不可忽视的环节。核心监控指标包括：端到端延迟（从按键按下到文本出现在光标处，建议目标 ≤ 500ms）、转写成功率（统计成功插入与失败的比率）、内存占用峰值（尤其在运行 large 模型时），以及 Accessibility 权限状态（权限被撤销会导致文本插入失败）。回滚方案建议提供两级降级：若检测到模型加载失败，自动切换到系统原生 Speech Recognition 框架（虽然需要网络但作为兜底方案）；若检测到权限问题，则弹出明确的系统偏好设置引导。运行日志建议以结构化方式记录每个阶段的耗时，便于事后定位瓶颈。
综合来看，构建一条高效的本地按住说话语音管道并不需要突破性的技术方案，而是对现有组件的合理选型与参数调优：16kHz 单声道 PCM 采集配合 32ms 缓冲区、int8 量化的 Whisper base 模型、以及基于 AXUIElement 的文本插入机制，三者组合即可在 Apple Silicon Mac 上实现接近实时的离线转写体验。对于追求极致隐私或需要在无网络环境下工作的用户，这条管道提供了云端方案无法替代的确定性 —— 数据始终停留在本地，延迟始终可控。
资料来源：GhostPepper 项目（matthartman/GhostPepper）与 Sebastien Rousseau 关于 macOS Whisper 实时转写的技术分析。