Mac 私密语音听写：Loqua 的混合语音输入栈如何把数据留在你这一侧

Loqua 是一款面向 Mac 的上下文感知语音输入工具。它可以使用屏幕上下文，这让隐私叙事成为核心。如果一个听写产品能看到你的代码、消息和写到一半的邮件，那么围绕这些数据的架构就不是营销脚注，而是产品本身。

我是 Shuran，我和一个小型算法研究团队一起构建了这套栈。我们在自己的内部 Slack、邮件、coding prompts 和 code review 中使用 Loqua。我们想要的标准很简单：敏感路径默认留在本地，可选云使用必须可见，并且避免使用用户听写数据训练。

云默认路线的取舍

许多现代听写产品使用云转写。这可以是合理的工程选择：大模型、集中更新、跨平台一致性、企业控制和有文档说明的零数据留存模式，都可以存在于这种架构中。

取舍在于暴露面。一旦音频或上下文跨过网络，你的麦克风和光标之间就多了一条服务器路径：传输、队列、日志、模型提供商、运维元数据和企业策略。好的供应商会认真管理这个暴露面。但用户仍然需要理解边界在哪里。

Loqua 从不同默认值出发。接触音频和屏幕上下文的层设计为本地优先运行。可选云功能被当作明确的功能边界，而不是看不见的底层管线。

为什么纯设备端仍然是一种取舍

纯设备端 AI 很有吸引力，对常规听写而言也是正确默认值。但绝对化表述很脆弱。一些长尾任务——非常长的改写、远距离语言翻译、罕见领域转换——可能受益于更大的云模型。模型更新、崩溃报告、许可证检查和功能分发，在很多产品里也会带来网络触点。

所以我们避开口号版隐私。真正有用的答案不是“云不好”或“本地有魔法”。答案是一种混合架构：默认值清楚、控制项明确，并且在云功能关闭时产品仍然可用。

Loqua 所说的混合架构

架构说清楚就是这样：

三个核心层——也就是接触音频和屏幕内容的层——默认设计为在设备端运行。核心听写体验可以在离线模式下使用。

云只保留给具体、选择开启的场景。使用云时：云流量通过 TLS 加密；云处理为零留存（请求被处理后即丢弃）；用户可以在 Settings 中完全关闭云。我们在任何时候都不会使用用户数据训练模型——不使用云流量，不使用设备端使用数据。

每条边界都可见

原则是：如果你的某类数据跨过边界，你不应该必须读完 EULA 才知道。我们这样让每条边界可见：

• 菜单栏指示器。 Loqua 正在录音时，菜单栏图标会变红。某次语音输入使用云时，指示器会有明显不同（小云图标叠层）。你可以实时看到是否有内容离开机器。
• Settings → Privacy 面板。 列出哪些云调用已启用，并为每一项提供开关。翻译可以开启而长文改写关闭，反之亦然。
• 音频处理。 默认核心听写路径不会把音频发送到云。可选云功能是明确的，并且可以关闭。
• 屏幕内容处理。 多模态上下文层读取的屏幕内容不会跨过网络。即使开启云端改写，发送的也只是被改写的文本，而不是周围屏幕。
• 日志。 本地调试日志不包含听写内容。云侧日志不包含音频或转写文本。

AED 和多模态上下文处理也留在同一边界内。有意义的声音中描述的原型工作把非词语音视作本地、选择开启的信号；打造一个能看见你所见的监听器中描述的多模态监听器，则只为当前语音输入使用屏幕上下文，而不是创建通用屏幕日志。

低延迟下的算法取舍

让核心层在设备端运行，同时在消费级 Mac 上保持听写响应，是这套栈里最难的工程工作。三件事让它可行：

• 为 Neural Engine 激进选择算子。 不是每个 transformer 算子都能在 Apple Neural Engine 上高效运行。我们选择能留在快速路径上的层类型、attention 变体和量化方案。Apple Core ML 文档列出了支持的算子集合；一旦掉出这个集合，成本会很高。
• 流式优先的语音识别。 在整句话最终确定前就开始输出。非流式变体可以提高单句准确率，但体感更慢。
• 并行流水线。 上下文层与语音识别并行运行。等语言层准备好格式化输出时，目标上下文已经在本地读取完成。

取舍是参数预算很紧。每个本地层都比不受笔记本散热约束的云模型更小。我们用任务特定训练数据、谨慎微调和窄范围 Mac 优先策略来补偿。内部基准目前目标约为 200ms 级响应、高技术词汇识别率，以及受支持条件下较低个位数 WER；在公开基准页面存在之前，我们会把这些描述为内部目标。

我们的保证

硬列表如下：

• 不使用用户数据训练。 不使用音频，不使用转写文本，不使用云处理文本，也不会用于任何未来模型版本。
• 除非你选择开启，否则不上传音频。 默认：无云端音频。选择开启的云功能是明确且按功能划分的。
• 云处理数据零留存。 请求被处理后立即丢弃。不存在“30 天软删除”——因为没有副本可删。
• 所有云流量使用 TLS。 这是标准实践，但我们仍然完整说明。
• 离线模式。 Settings 中一个开关即可关闭所有云调用。Loqua 会继续只使用设备端层工作。
• 没有浏览器 hook。没有跨应用追踪。 Loqua 只为当前听写读取活动应用的上下文。两次听写之间，多模态上下文层处于空闲状态。
• 个人词典留在本地。 你的自定义词汇存在本地文件里。它不会同步到任何云，我们也看不到。

你的控制项

隐私只有在控制项容易找到时才有意义。在 Settings -> Privacy 面板，你可以：

• 关闭可选云调用
• 开启或关闭长文云端改写
• 开启或关闭云端翻译
• 把特定应用完全排除在 Loqua 之外
• 在 macOS System Settings 中撤销麦克风权限
• 在 macOS System Settings 中撤销 Accessibility 权限

对于受监管或安全敏感的工作流，请使用完整离线模式，并执行你自己的合规审查。我们不会把一篇博客文章表述为法律或 HIPAA 合规建议；这里描述的是技术产品边界，正式合规要求应通过合适的政策渠道评估。

延伸阅读

• Apple Core ML 文档——Loqua 使用的设备端运行时。
• Apple 隐私功能概览——Loqua 建立其上的更广泛 Mac 隐私模型。
• 我们的配套文章：三模型架构和语音遇见视觉：全模态听写。

如果你有这篇文章没有覆盖到的语音输入隐私或安全要求，请发邮件给我们。我们是一个小团队，比起让你从通用政策文档里猜答案，我们更愿意直接回答你的问题。这就是 Loqua 为什么首先被设计成一款 Mac 私密语音听写产品，其次才是一款带云功能产品的简短版本。