Juno

你大概有过这种经历：坐在咖啡馆里采访一个创业者，对方语速飞快，你一边点头一边在笔记本上狂写，三分钟后手就酸了，字迹潦草到连自己都认不出。或者你是个产品经理，在头脑风暴会上突然冒出一个好想法，你掏出手机录音，心想“回头再整理”，结果那个录音文件在手机里躺了三个月，再打开时你已经完全忘了当时在兴奋什么。更常见的是，你是个学生，上课时老师讲得正嗨，你拼命记笔记，结果漏掉了后半段的关键推导。你试过用手机上的语音转文字 App，但要么要付费，要么必须联网，要么识别出来一堆错别字，还得手动改。最烦的是，你不敢把敏感内容——比如商业计划、病历、法律条款——传到云端，谁知道那些录音会被谁看到。

Juno 就是冲着这个痛点来的。它是一款免费、开源、完全在本地运行的语音转文字工具，核心卖点就三个字：实时、本地、免费。你打开它，点一下录音按钮，对着麦克风说话，屏幕上立刻出现文字，你说完它停，文字就留在那里了。整个过程不需要联网，你的声音不会离开你的电脑。它用的是本地 AI 模型，不需要 GPU 也能跑——当然，如果你有块好显卡，速度会更快。

谁会用 Juno？记者、学生、内容创作者、会议记录员、程序员——任何需要把口头信息快速变成文字的人。输入就是你的声音，系统怎么处理？它加载一个轻量级的语音识别模型（比如 Whisper 的本地版本），实时把音频流切成片段，逐段识别，然后拼接成连贯的文字。输出就是一段干净的文本，你可以直接复制到笔记软件、邮件、文档里。上下游接什么？它本身不绑定任何系统，但你可以把它当成一个“语音输入法”来用：打开 Juno，说话，复制文字，粘贴到 Notion、Obsidian、Google Docs 或者你的代码注释里。如果你是个开发者，它甚至提供了 API，你可以把它嵌入到自己的工具链里。

用一个比喻来理解 Juno 的核心机制：它就像你桌上放了一个永不疲倦的速记员。这个速记员只为你工作，不联网，不偷看你的笔记，你说什么他立刻写下来，而且写完之后你可以直接拿走那张纸。他不需要打电话回总部去查字典，因为他自己就带着一本厚厚的词典——那本词典就是本地 AI 模型。你不用担心他把你说的秘密泄露出去，因为他根本不跟外界通信。

对比一下市面上常见的替代方案。最直接的竞品是 Otter.ai，它也是实时语音转文字，但它是云端服务。你说话，音频上传到 Otter 的服务器，识别完再传回来。好处是模型大、准确率高、能区分说话人、还能自动生成摘要。坏处是：免费版每月只有 300 分钟，超过就要付费；而且你的所有录音都存在别人服务器上，隐私是个大问题。另一个替代方案是 Google Docs 的语音输入，它也是云端，而且只能在浏览器里用，识别质量依赖网络。Juno 选择了一条完全不同的路：本地运行。这意味着它不依赖网络，不消耗你的流量，不把你的数据交给任何人。代价是什么？本地模型的准确率通常不如云端大模型，尤其是在口音重、背景噪音大的情况下。而且你需要自己下载模型文件，初次设置可能需要几分钟，不像 Otter 那样打开网页就能用。但如果你经常处理敏感信息——比如律师整理客户谈话、医生记录病历、创业者讨论未公开的产品——那么本地运行就是刚需。你不可能为了省几分钟设置时间，把客户的隐私数据传到云端。

边界和代价也很清楚。Juno 不适合需要极高准确率的专业场景，比如法庭记录、医学听写，因为本地模型可能把“心肌梗死”识别成“心急梗死”，这种错误在医疗场景里是致命的。它也不适合多人会议，因为它目前没有区分说话人的能力——如果三个人同时说话，它只会输出一团乱麻。另外，它需要一定的计算资源：如果你的电脑是五年前的轻薄本，CPU 跑起来可能会风扇狂转，识别速度也会变慢。开源项目还有一个风险：维护者可能某天不更新了，或者模型版本落后了。但好处是，你可以自己改代码，或者等社区贡献。

最后，讲一个用起来什么样的小故事。我有个朋友是科技记者，经常在嘈杂的展会现场采访。以前他每次采访完，都要花两小时听录音、打字。后来他装了 Juno，在采访前打开它，把手机放在桌上当麦克风（Juno 支持任何系统输入设备）。采访过程中，他一边听对方说话，一边看着屏幕上实时跳出的文字，偶尔纠正一下识别错误。采访结束，他直接复制文字到稿件里，稍微润色一下就能发。他说，以前两小时的工作现在十五分钟搞定，而且再也不用担心录音文件丢失了。有一次他在飞机上写稿，没有网络，他对着 Juno 口述了整篇专栏，落地时文字已经在了。这就是 Juno 想给你的日常。