开发者近日在 V2EX 发布开源项目 Setem，这是一款 macOS 菜单栏语音输入法，采用 MIT 协议免费开源，代码托管在 GitHub。项目支持四种语音识别渠道：豆包、微信、千问三个云端服务，以及可运行在 Apple 芯片上的本机离线模型，断网环境下仍可使用。使用方式上，用户按住右 Option 键（可自定义）说话，松开后在浮窗中查看识别定稿，确认后一次性输入到光标位置；也可点按开始、再点按结束，适合长段内容的语音录入。技术实现方面，Setem 采用 Swift 原生开发，无 Electron 依赖，安装包仅 6.1MB，常驻内存占用较小。项目基于 VoiceKey 的 fork 改造而成，云端识别通过 WebSocket 加 protobuf 实现流式传输，音频以 20ms 一帧进行 Opus 编码上传，全局快捷键通过 CGEventTap 监听实现。开发者提到，开发过程中的主要难点在于各家输入法的协议均不公开，需要自行逆向客户端协议，且接口随时可能变更，项目 README 中已对此作出声明。安装包在 GitHub Releases 提供，采用 ad-hoc 签名，首次运行需手动移除隔离属性。开发者正征集用户反馈，希望了解同类工具的使用痛点以确定优先修复方向。
事件分析
从技术角度看，Setem 的核心亮点在于逆向了豆包、微信、千问三家厂商未公开的客户端语音识别协议，这需要大量抓包分析与协议还原工作。这种协议拼装模式让用户能直接调用大厂云端 ASR 的识别能力，但也埋下隐患：一旦厂商调整接口或加强鉴权，功能随时可能失效，长期维护成本较高。产业层面，语音输入正在成为 AI 时代效率场景的重要交互方式，Wispr Flow 等海外产品已验证这一需求。国内开发者将豆包、通义千问等国产模型的语音能力与 macOS 原生体验结合，反映出云端大模型能力外溢到第三方客户端工具的趋势。离线模型依赖 Apple 芯片运行，也体现了端侧推理可用性的提升。后续走向上，若厂商开放官方 API 或推出计费方案，此类工具可能转向正规授权模式；反之则将持续面临协议变更与合规性的双重考验。
核心观点：逆向封闭协议调用大厂语音能力虽是取巧，却印证了语音输入正在成为 AI 时代人机交互的新入口。
原文链接：V2EX 分享发现
