离线语音转换工具-Gzx语音转换助手

1、立项原因
旨在解决网络环境不佳或完全断网场景下，开发者无法依赖云端服务进行高效编码的问题。尤其针对“vibe coding”（氛围式/对话式编程）开发模式中，需频繁口头表述需求、反复整理和调整关键词的痛点，通过引入本地化的语音转换输入能力，降低操作门槛，提升离线状态下的开发效率与体验。

2、行业场景
适用于边缘计算、野外作业、移动车载、工业现场、保密内网等弱网或断网环境下的软件开发场景。在此类业务背景下，传统在线IDE或云编码工具不可用，而开发者仍需快速迭代原型或调试代码，本方案可为其提供轻量、即时、无需联网的语音辅助编程支持。

3、功能模块
入口（`main.py`）：负责单实例互斥、日志初始化、全局异常钩子，以及启动画面展示与模型延迟加载的协调。

语音识别引擎（`asr_engine.py`）：核心模块，统筹音频采集、VAD切句、ASR识别、实时模拟输入和LLM异步纠错的全流程。

配置管理（`config.py`）：单例模式读写`settings.json`，支持配置变更通知和原子写入。

LLM客户端（`llm_corrector.py`）：封装HTTP请求，实现与本地或远程大语言模型的通信、可用性探测及超时重试。

系统托盘（`tray_app.py`）：基于pystray实现托盘图标、全局快捷键（左Alt+Q）监听及状态显示。

启动画面（`splash.py`）：无边框进度窗口，带毛玻璃效果，展示模型加载进度。

设置界面（`settings_ui.py`）：独立线程运行的Tkinter配置窗口，支持LLM地址/模型修改及连接测试。

VAD指示器（`vad_indicator.py`）：鼠标旁动态彩色光点，实时显示语音概率和音量大小。

4、功能描述
核心工作流程如下：

用户按下全局热键（左Alt+Q）后，系统通过PyAudio采集麦克风音频，经Silero VAD进行语音活动检测与切句，再由SenseVoiceSmall端到端模型实时识别为文字。识别结果立即模拟键盘输入上屏，确保低延迟反馈。

同时，系统将识别文本送入LLM纠错队列，在用户静默3秒后自动触发批量纠错。LLM修正标点和错字后，通过模拟退格删除原文并粘贴修正文本，实现无感替换。纠错过程支持取消重入——若用户在LLM处理中继续说话，当前请求被取消，未处理句子自动归还队列等待下一批次。

1、技术栈
项目基于 Python 3.12 开发，GUI采用Tkinter（启动画面、设置界面、VAD指示器）。
系统托盘使用pystray，全局热键监听依赖pynput。音频采集由PyAudio完成。
语音活动检测采用Silero VAD（torch.hub加载），语音识别使用SenseVoiceSmall模型。
LLM通信基于requests库调用OpenAI兼容API，键盘模拟和剪贴板操作借助pywin32、ctypes及pyperclip实现。

2、系统架构
核心线程包括音频采集线程、VAD切句线程、ASR识别线程和LLM工作线程，通过`queue.Queue`进行线程间数据解耦。主线程负责Tkinter事件循环，设置界面和VAD指示器各自运行于独立Tcl解释器线程。配置管理采用单例模式，支持原子写入和热更新。

3、实现亮点
延迟加载与启动优化：启动画面先展示，模型在后台线程依次加载，进度实时反馈，缩短用户感知等待时间。

无感替换策略：纠错前通过Windows API检测用户空闲状态，结合模拟退格删除原文+剪贴板粘贴修正文本，避免干扰用户正在进行的操作。

模块化与可扩展性：VAD、ASR、LLM均设计为可插拔组件，配置热更新，便于模型替换和功能扩展。

4、技术难点：

VAD与ASR协同的实时性：需在低延迟和识别准确率之间取得平衡，通过32ms帧粒度采集、600ms静音阈值及10秒单句上限进行调优。

LLM纠错与实时识别的冲突协调：解决批量纠错时用户持续输入导致的“覆盖冲突”，通过取消重入+原子性替换操作保障数据一致性。

多Tkinter实例管理：启动画面、设置窗口、VAD指示器均涉及Tkinter，需防止多线程下Tcl解释器冲突，采用独立线程+单次创建策略规避崩溃风险。