Mac Voice to Text：macOS 免驱动双通道内录与实时语音转文字实战

痛点：Mac 系统音频内录的传统困局

如果你经常使用 Mac 参加 Zoom / 腾讯会议、收听英文播客或整理访谈录音，你一定遇到过这样的难题：

内录困难：macOS 为了隐私安全，普通麦克风 API 无法捕获系统其他应用程序发出的声音；
虚拟声卡繁琐且脆弱：传统的 BlackHole 或 Soundflower 需要安装内核扩展或系统级音频插件，系统一旦升级就可能失效或引发音画不同步；
隐私顾虑：将整场商业会议的音频实时传给第三方云服务，存在极大的合规与泄露风险。

Mac Voice to Text 应运而生，基于现代化 macOS 原生技术栈彻底解决了上述问题。

核心实现方案

1. 免驱动内录采集（Apple ScreenCaptureKit Audio API）

自 macOS 13 (Ventura) 起，苹果推出了高性能的 ScreenCaptureKit 框架。除了捕获屏幕画面外，它还提供了对系统音频流（SCStreamOutputType.audio）的硬件级无缝拦截：

// 开启系统音频内录流捕获示例
let filter = SCContentFilter(display: display, excludingWindows: [])
let streamConfig = SCStreamConfiguration()
streamConfig.capturesAudio = true
streamConfig.excludesCurrentProcessAudio = true // 防止自身监听发生声反馈回路

let stream = SCStream(filter: filter, configuration: streamConfig, delegate: self)
try await stream.startCapture()

这种方案的巨大优势是：零安装虚拟声卡、零内核权限改动、纯用户态运行。

2. 双通道音频对齐与重采样（AVAudioEngine）

真实场景中，往往需要同时记录“对方说话的声音（系统声音）”以及“我自己的发言（麦克风声音）”。

通过 AVAudioEngine 将系统音频缓冲区与麦克风输入缓冲区在环形缓冲区（Ring Buffer）中进行降噪混音与时间戳对齐，统一重采样为 Whisper 最佳兼容的 16kHz 单声道 16-bit PCM 音频流。

3. 本地 Whisper 实时转写流水线

支持调用 OpenAI 官方云端 Whisper API；
更推荐使用 本地轻量级推理引擎（基于 whisper.cpp / CoreML 硬件加速），充分榨干 Apple Silicon (M1/M2/M3/M4) 神经网络引擎（ANE）的算力，在完全断网的环境下实现 200ms 内的流式转文字，做到数据 100% 不离机。

快速安装与使用

下载与构建

git clone https://github.com/Jim-purch/mac-voice-to-text.git
cd mac-voice-to-text

# 使用 Swift Package Manager 快速编译
swift build -c release

运行模式

菜单栏悬浮模式：点击状态栏图标即可一键启动“会议实时速记”，识别结果实时以字幕形式悬浮在屏幕底部；
自动化导出：会话结束后自动整理为带时间戳的 Markdown 会议纪要，支持一键发送到剪贴板或保存本地。

开源地址：Jim-purch/mac-voice-to-text，欢迎体验与贡献。