Jot：Google Gemini 团队放出的开源 Mac 听写工具，按住 fn 说话、松手文字落到光标处

macOS 上的听写一直有个尴尬：系统自带的听写要联网、标点随心、中英混说容易崩；第三方工具要么按月订阅，要么把语音传去自己的服务器。Jot 是 Google Gemini 团队放出的一个开源示范项目，走的是另一条路——按住 fn 键说话，松开，润色好的文字就落到了你光标所在的地方。没有窗口要切、没有转录稿要复制、连账号都不用注册。

它把自己定位成「Gemini 3.5 Transcribe 的演示」（README 原话是 Demo），由 Google 的 Ammaar Reshi 创建，Apache-2.0 授权。不过要注意一句写在 README 顶部的免责声明：这不是 Google 官方支持的产品。仓库放在 google-gemini 组织下，但性质是团队/个人放出的示范代码，不是消费级成品。

三个手势，一条交互主线

Jot 的操作少到可以背下来：

• 按住 fn：按住期间录音，松开后文字落到光标处。
• fn + 轻点 Space：免提模式，松手后继续录音，再轻点一次 fn 结束。
• Esc：取消。超过 10 秒的内容仍会留在历史里。

如果 fn 键被别的功能占了，可以在「设置 → 通用」里改绑。界面上只有三样东西：菜单栏一个图标、说话时屏幕底部一个胶囊（pill）、以及一个历史窗口。

真正抓人的是一个细节：它能跟上你改主意。你说「我们下午 1 点见——啊不对，改 2 点」，Jot 写出来的是「我们下午 2 点见」。README 把这点当成全部卖点（"That is the whole pitch"），引导流程里还会专门让你做一次，亲手确认它真的会这么做。

它凭什么「不丢字」

语音输入工具最怕的不是识别错，是说了半天一个字没留下。Jot 在这块做了几件具体的事：

• 从第 1 毫秒就落盘：音频以 CAF 格式写进磁盘，所以崩溃、被 kill -9、电池突然没电，都不会丢录音——下次启动自动恢复。
• 离线排队：没网时听写任务排队，恢复连接后自动补传。
• 每次失败都能重试：历史窗口里逐条可重试。
• 句子没说完不切断：松键时如果还在半个词上，它会继续听完再停。

README 还列了几个「工程细节」，看得出是踩过坑才写进去的：

• 捕获链路预热：空闲时就先把引擎准备好，按键只付 engine.start() 的开销，20–40 毫秒，而不是 75–150 毫秒。预热不等于录音——没有音频流动，也不会亮麦克风指示灯，直到你真的按下键。
• 麦克风多读一个缓冲区：音频 tap 只按约 100 毫秒的整块投递，一松手就拆链路会把最后一个字的尾巴丢掉，所以它要多收一块。
• 插入是一套「阶梯」：先试辅助功能 API（完全不碰剪贴板），不行再走受保护的粘贴（会恢复你原来的剪贴板），最后兜底给一个「已复制，按 ⌘V」的提示条。它不会盲目粘贴到半路抢走焦点的应用里。
• 一道校验闸门：挡住「模型不是在转录、而是在回答你音频」这个经典翻车场景，一旦触发就退回原始转录。

这些「会丢字的路径」都被自动化测试覆盖：引擎逻辑收在一个无界面的 Swift 包 JotCore 里，包含状态机、快捷键语法、音频、转录、格式化、插入和历史——所以上面这些失败模式不用启动 App 就能跑测试。

隐私：一条网线，看得见的每行代码

这是 Jot 最值得单独说的一块，因为它把话讲得很细。PRIVACY.md 明确列出「离开你机器的完整清单」只有四项：

1. 每次听写的音频（FLAC 压缩），发往 generativelanguage.googleapis.com——这是整个应用唯一通信的网络主机。
2. 你的词典术语，随音频一起发。转录模型用它来偏置识别，所以名字和行话是「在你说话时就被拼对」，而不是事后打补丁。只发送正确拼写，不发送你录进去的错拼。
3. 格式化提示词，仅当「匹配当前 App 的语气」开关打开时（默认关闭）。关闭状态下，你的转录文本根本不离开这台 Mac。
4. 你的 API 密钥，只放在发给 Google 的请求头里，存在 macOS 钥匙串，不落文件。

「永不离开」的清单同样直白：历史数据库与录音文件、词典文件的整体、你在用哪些 App、你什么时候听写、你打了什么字、屏幕截图（应用里根本没有截屏代码）、以及任何遥测（没有分析 SDK、没有崩溃上传、不打电话回家）。按键监听只在听写进行时观察 Esc、Space 和「有另一个键被按下」这个事实（用于防误触组合键，具体是哪个键不看、不记、不传）。

本地数据放在 ~/Library/Application Support/Jot/recordings/，每次听写一个文件夹，崩溃安全的音频、转录、元数据都在里面——这正是「重试」和「恢复」能工作的原因。设置里有音频保留期（24 小时 / 7 天 / 30 天 / 永久 / 从不，「从不」会禁用重试），以及一键「删除全部历史」。有一点写得很诚实：本地文件靠 FileVault 保护，本身没有单独加密。

焦点落在密码框（安全输入）时，Jot 会拒绝开始听写，已经拿到的转录只留在历史里——不插入、不放剪贴板。

和站内这几款的区别在哪

站里已经写过几款 Mac 上的语音/转写工具，定位各有不同，放在一起看更清楚：

• Input 0：按住 Option+Space 说话，松开本地转写 + AI 润色 + 粘贴——走的是本地模型路线，和 Jot 的「云端 Gemini」正好相反。
• Typefree：同样按住说话松手出整理好的文字，偏输入法/润色的定位，中文场景打磨得更多。
• 声迹 LocalScribe：本机完成转写、字幕编辑、离线翻译与 AI 整理，是整段音频的生产力工具，不是逐句听写。

Jot 的差异点是「零窗口的即时听写」加「模型端纠错」。它不追求把一段录音做成字幕，也不做本地模型，而是把「对着 Mac 随口说一句，文字落到该去的地方」这件事做到最顺手——代价是你的音频要发给 Gemini，并且用你自己的密钥付费。

装之前必须知道的三件事

第一，要你自己的 Gemini API 密钥，而且要付费。 Jot 本身免费、无账号，但它不自带密钥、也不代付。你需要去 Google AI Studio（aistudio.google.com/apikey）申请一个 Gemini API key，费用按你的听写量付给 Google。有一个免费档，而一次典型听写只有几秒音频。密钥存在 macOS 钥匙串，只发给 Google。另外，你的密钥需要能访问 gemini-3.5-transcribe 这个专用转录模型；如果不通，设置流程会提前告诉你，而不是等你第一次听写才失败。

第二，模型会调，钱就跟着动。 用不用、用多少，全在你的密钥额度里。这点和 Input 0、LocalScribe 那种「装完就不花钱」的本地方案是两种账：Jot 把计算放在云端，换来的是模型端纠错和「改主意也跟得上」的能力，代价是持续的音视频调用开销。

第三，隐私的边界在 Google 那一侧。 PRIVACY.md 写得很坦白：你的音频受你自己的 Gemini API 条款约束——就目前而言，付费档的 API 用量不用于模型训练，免费档可能会。这个关系是你和 Google 之间的，Jot 不代管。介意这点的，要么走付费档，要么回到纯本地方案。

另外两点不算门槛但要知道：只有 macOS 版，要求 macOS 14 及以上；DMG 已签名、已公证、已装订（v0.2.0 起），装的时候不会有 Gatekeeper 拦截，也不需要像有些开源 Mac 应用那样跑 xattr 去隔离属性。

怎么装、怎么上手

直接从 Releases 下载最新的 Jot-x.y.z.dmg，当前最新是 v0.4.0（2026 年 8 月 27 日）。拖进「应用程序」后从应用程序里启动——README 特意提醒：从挂载的磁盘映像直接运行的应用会被 macOS 沙箱化，你授予的权限不会留下。

设置大约两分钟，App 会一步步带你走：粘贴 Gemini API 密钥 → 允许麦克风（说声「你好」它会自己前进）→ 允许辅助功能（macOS 要求任何往别的 App 里打字的程序都得有这个）→ 按住 fn 说话。

开发/自定义方面：编译需要 macOS 14+、Xcode 16+ 和 xcodegen，.xcodeproj 是生成的、不入库。因为调试构建用 ad-hoc 签名，干净克隆不需要 Apple 账号、证书或团队，./scripts/build.sh 直接能跑；只有发布构建才需要真正的 Developer ID。

v0.4.0 的更新重点是一个实验性的实时转录（设置 → 听写 → 实验性 → 实时转录，默认关闭）：音频在你说话时通过 WebSocket 流式发往 gemini-3.5-transcribe-live，词句边说你边能在胶囊里看到，松键时转录已经就绪，不用再等一次上传。开启它不会让你丢字——录音照旧写盘，实时转录只在「会话干净结束」且「socket 收下的字节数与磁盘音频对得上」时才被采用，否则一律回退成上传录音。设置里还会报告实时路径实际成功的频率，连续失败三次就停用（因为坏掉的实时路径比关掉更慢），成功一次即恢复。同一版还修了长句子画出胶囊边界的问题。

项目在 github.com/google-gemini/jot-gemini-transcribe-macOS，Apache-2.0 授权（v0.2.0 起从 MIT 换过来），没有独立官网。

值不值得试

看你的诉求落在哪一边。

如果你想要的是「对 Mac 随口说一句，干净的文字就落在该去的地方」，而且不介意音频发给 Google、愿意自己开一个 API key 按量付费，那 Jot 是同类里交互打磨得最细的一个：改主意跟得上、崩溃不丢字、插入有阶梯、隐私清单列到条。它出自 Gemini 团队，代码可读，工程取舍都写在 README 和 docs 里，这种透明度在同类工具里不多见。

如果你要的是「装完不花钱、语音不出本机」，那 Jot 就不是为你准备的——站内的 Input 0 和 声迹 LocalScribe 才是。这是两套账，别混：本地模型省下的是调用费，代价是模型能力和「改主意跟得上」这类端到端打磨。

最后说不讨喜的两点。一是那句免责声明要当回事——这不是 Google 官方支持的产品，它放在 google-gemini 组织下、由个人创建，团队随时可能不再维护（仓库 8 月 27 日之后暂无新提交）。二是免费档的 API 用量可能被用于训练，介意隐私的务必核对自己在用的档位。把这两条认下来，它值得一试；认不下来，等它有更明确的官方支持再说也不迟。

本文引用的界面截图来自项目官方仓库 docs/images/ 目录与 README 演示动图，仅作功能介绍用途。