前些日子我用了一阵 Typeless。平心而论，它把”口述变文字”这件事做得相当顺滑：中英混说不必切换，标点自动补齐，说完即上屏。但用久了攒下两个疙瘩。其一，我的全部转录历史锁在它的云端，没有一个”统一导出”的按钮；其二，我在文档里把”拍西艾”改回 PCI、把”马乏凯泰”改回玛伐凯泰，改了一次又一次，它一次也没记住。订阅照付，数据归人，个性化无从谈起。
于是起念自己做一个。认真调研了一圈，结论却是：想造的东西，已经有人造好了。
CapsWriter-Offline，GitHub 上六千余星的开源项目，2026 年 5 月还在发新版。按住一个键说话，松开上屏，识别全程在本地——模型文件就在我自己的硬盘上，编码器五百余兆，解码器一点四 G，拔掉网线照常工作。它准的道理值得一说：新一代 Qwen3-ASR 的解码器本身是个 1.7B 的语言模型，一边听声学特征，一边”写它认为通顺的话”，故此标点自带、中英夹杂不乱；配上音素级的热词表，把玛伐凯泰、IVUS 这类专业词灌进去，识别一个准一个。在我这台双显卡的机器上，模型加载四秒，短句几乎瞬出，日常体验已不逊于云端订阅的同类，而语音与文本，寸步不离我的磁盘。
但它仍缺一环：不会从我的修改里学习。
这一环我自己补了，起名 CapsLearn，四百七十行 Python，托 Claude Code 之力两天写成，已开源。机制说穿了不玄：CapsWriter 本就把每句听写连文本带录音按日归档；我改完一段文字，选中终稿按一下 Pause 键，程序拿终稿去归档里做相似度匹配，找到那句原始转写，”机器怎么写的—我怎么改的”就配成一对存进本地。每晚八点，一个定时任务把攒下的配对逐字比对，抠出替换片段。中文没有空格，机器不知词的边界，单看一句只能抠出”马乏→玛伐”这样的碎片；诀窍在于等同一个错误再次出现——两句话上下文各异，唯独术语每次都完整贴着错误，取个交集，上下文自动洗掉，”马乏凯泰→玛伐凯泰”便完整浮出。累计出现两次，自动写进热词表，三秒热重载，下一句生效；只出现一次的，进候选报告等人工过目。上线数日，playStation、Notion，连同”马乏凯泰”这个误写变体，均已自动入表，我未动一根手指。
把这套思路发到原项目的 issue 里，作者回了两条，都在点子上。他说自动化难在”程序无从知道用户何时改完”——确实，所以我干脆不猜，让用户按一下键自己发信号；他说断词边界终究要靠大模型——也对，交集统计啃下的是八成，长尾我认。他另给了一条好建议：医生不妨把处方权限内的药名整表灌入热词，五千词条不过十毫秒延迟。此言在理，已列入计划。
代价也须如实写下。这套方案要一块像样的显卡，集显只能退用小模型；打包的程序带着全局热键和剪贴板操作，杀毒软件容易多看两眼；采集进程静默退出过，我给它加了每小时的保活任务——本地方案的自由，是连同维护责任一起买断的。还有一桩有趣的翻车：热词按发音模糊匹配，”列线图”入表之后，我说”路线图”竟被它劫持了去。灵敏度与特异度此消彼长，做诊断的人对这架跷跷板不会陌生。
最后交代一句边界，免生误会：这套回路自始至终没有动过模型一个参数。热词表之于模型，如同老花镜之于眼睛——镜片不改变眼球，却让字迹清晰；真要改造眼球，那是另一场手术（微调），而手术所需的语料，每一次听写都在替我悄悄积攒。
数据在谁的磁盘上，个性化就归谁。
代码在此：github.com/Deepmindlearning/capslearn，MIT 协议。医学之外的行当，换一张词表同样适用。