Szept

作者在此。我用波兰语和编码代理交流，其中夹杂着英语产品词。ChatGPT 和 Cursor 在这方面有不错的内置听写，但仅限于各自的应用内；我想要一个轻量级工具，能在 Claude Code、邮件和其他所有地方使用，并且还能把截图交给代理。我先从本地模型入手（MLX 上的 Qwen3-ASR，然后是用 WhisperKit 调用 Whisper 来处理波兰语）。识别效果还行；但对于一个全天常驻的应用来说，占用几个 G 的内存就吃不消了。Soniox 的实时模型对波兰语效果最好，所以 Szept 使用用户自己的 API 密钥向它流式传输音频。

可能让 HN 感兴趣的几点：

- 把 fn 键按住在截图上，会把文件路径连同你说出的话一起粘贴到你来时的终端，这样 Claude Code 就知道你想表达什么。

- 清理步骤（由一个 LLM 执行，3 秒超时，然后粘贴原文）会被告知文本要发往哪个应用，并通过辅助功能拿到浏览器标签页的 URL，因此 Brave 里的 Gmail 仍归为邮件。

- 有一段时间每次听写都要恰好等 3 秒。Soniox 在收到空文本帧时结束流，而我之前发的是空二进制帧，它会忽略。一行修复，现在约 180 毫秒。

先说限制：无离线模式，音频会发往 Soniox，仅支持 macOS。一次性买断，附带 Swift 源码：https://szept.szyma.co

主要在 Claude Code 中使用 Claude Opus 5.5 构建，并搭配 DeepSeek V4.1 Flash 上的 DeepSeek Harness 处理范围明确的任务。踩坑记录的 CLAUDE.md 也随源码一同发布。

欢迎提问，乐意解答任何问题。