使用Cloudflare AI的开源免费版Whispr

一句话看懂：开发者PrestigePvP发布了名为VoiceBox的开源工具，将macOS全局热键、Cloudflare Workers的Whisper语音识别与LLM格式化输出串联起来，实现“按住说话→松开即得格式化文本”的极速转录体验。该项目选择完全依赖Cloudflare的免费AI层级，无需自建服务器即可以零成本运行。

事件核心：发生了什么

VoiceBox是一个macOS桌面应用，使用Go+React构建，核心流程为：按下Ctrl+Cmd组合键开始录音，麦克风捕获16kHz单声道PCM音频流；松开按键后，音频通过WebSocket发送至Cloudflare Worker Durable Object；Worker先后调用@cf/openai/whisper-large-v3-turbo进行语音转文字，再经@cf/qwen/qwen3-30b-a3b-fp8大模型对转录结果做格式化（如去口语词、补标点、适配当前应用上下文），最终结果自动复制到剪贴板并模拟Cmd+V粘贴到原应用焦点位置。项目代码完全开源，托管于GitHub仓库PrestigePvP/Voicebox。

为什么重要

这是首个将Cloudflare Worker AI全部免费层模型整合为端到端语音转录管道的开源项目。传统开发者需要自建Whisper推理服务器或支付OpenAI API费用，VoiceBox证明Cloudflare Workers的免费额度（每日10万次Workers请求+1000次AI推理）足以支撑日常语音输入需求。其选择Qwen3-30B作为格式化模型，而非更高成本的GPT-4o，体现了在推理速度与费用间的务实权衡。项目同时声明第二阶段将支持本地faster-whisper+Ollama方案，表明其设计更看重架构灵活性与低成本需求，而非特定供应商锁定。

对用户/开发者/创作者的影响

普通macOS用户：可零成本获得类似Whispr Pro的体验——按下热键说话，松开即完成“听写+润色+粘贴”全流程。唯一前提是拥有Cloudflare账户并授予macOS辅助功能权限。对于需要频繁做笔记、写邮件、代码注释或文案创作的场景，能显著降低输入摩擦。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

开发者：VoiceBox的架构可作为“边缘AI应用”模板——桌面端仅负责音频采集与UI，所有推理运算均在Cloudflare边缘节点完成。其WebSocket通信协议、Durable Object会话管理、TOML配置系统均可直接复用或修改。项目内audio/、pipeline/、accessibility/等模块接口清晰，允许替换为本地STT/LLM提供商。

企业采购决策者：需要关注一个潜在限制——音频数据经Worker传输至美国Cloudflare数据中心，可能不满足GDPR或国内数据本地化要求。2025年Cloudflare尚未在中国大陆部署Workers AI服务，中国用户需自建兼容接口或使用本地部署方案。

值得关注的后续

1. Windows/Linux支持进度：目前代码中window_darwin.go与window_other.go分离，非macOS版本仅存桩函数。开发者是否在Phase 2中真正落地跨平台版本，将决定工具的实际用户规模。

2. 本地运行成本真相：免费层用完后的计费模式尚不明确。Cloudflare Workers Free Plan包含10万次/月请求，但AI推理按秒计费，若日均使用超过30次转录，月均成本可能超出免费额度。

3. LLM格式化质量的竞品比较：Qwen3-30B在格式化任务上的表现是否优于直接使用Whisper输出的原始文本？需等待实际用户评测或开发者开放格式化结果日志。

来源：Hacker News