做 Windows 语音输入时，我给几处容易出错的地方留了退路

说错几个字，改一下就行。说了一大段，最后一个字也没进去，这种事碰上一回，人就不太愿意再对着电脑开口了。

所以做语音输入的时候，除了识别准不准，我一直很在意另一件事：出错了以后，用户手上还剩什么。

下面记几处我自己工具里的做法。都不复杂，写下来给做类似东西的人参考。

1. 字写不进去

语音输入最后一步，是把字写进光标所在的输入框。大多数程序没问题，但有的程序不让别的程序往它的输入框里写。这时候识别得再准也白搭，用户看到的就是：说完了，框里空的。

我的做法是：写入失败，就自动把这段文字复制到剪贴板，同时存一份副本。用户切过去按 Ctrl+V 还能用；就算剪贴板后来被别的东西覆盖了，副本也还在。

原则就一条：先保住用户说的话，别的往后放。

2. 没网

云端识别准，还能顺手让 AI 把口语整理一下，可断网就停了。出差路上、公司内网的电脑，都会碰到。

退路是离线模型。可以下两个：SenseVoice Small 约 228MB，Fun-ASR Nano 约 750MB。下好以后断网照样能听写，也不耗时长。

要讲清楚的代价有两个：离线只做基础转写，没有 AI 整理，说成什么样就出什么样；模型得在有网的时候先下好，断网那一刻才想起来就晚了。

3. 截图翻译时，云端没认出字

截图翻译要先把图里的字认出来，这一步默认走云端。云端识别失败的时候，会自动改用 Windows 自带的文字识别再认一遍。

两边的效果我没拿数字对比过，不好说差多少。但至少用户不会拿到一个空结果，还得自己再截一次。

4. 老被认错的词

公司名、人名、专业术语，识别模型常常写成别的字。每次都手改，用不了几天就烦了。

我做的是自定义词条：把常错的写法纠正成对的，一条最多配 5 种说法。同一个功能也能当口令用，比如说「我的邮箱」，出来的是一整串邮箱地址。替换在本机做。

5. 说的时候心里没底

对着电脑说话，看不到它听成了什么，说完一大段才发现开头就错了，只能整段重来。

实时字幕管的就是这个：边说边显示，听错了马上停下来重说，不用等到最后。

6. 换电脑

用久了，词条攒了一堆，设置也调顺手了。换一台电脑全部重配，很劝退。

所以设置、自定义词条、历史记录都能导出，到新电脑上再导入。

最后

上面这些，都是我在 PomeType 里的做法。这个工具是我自己一个人写的，挂在石榴 ShiliuX 名下，目前只有 Windows 版。

几处做法不见得是最好的。你在做语音输入或者别的「用户说了半天、结果可能丢」的功能时，是怎么留退路的，欢迎在评论里聊。