Fish Speech是开源TTS模型，GitHub星标超3.2万，支持语音克隆、情绪控制、多人对话和80+语言。10—30秒参考音频即可克隆音色，无需训练，内置1.5万+情绪标签。合成语音能呈现换气、停顿和情绪，可降低播客、有声书、短视频配音成本，助力多语言出海。但克隆声音诈骗已有判例，未经同意克隆他人声音商用违法，AI语音需标注。技术用户可按README部署，先短句验证；普通用户可用官方平台。只用授权声音，商用前确认协议，重要用途保留真人录音。
CapsWriter-Offline-STT v2.3发布，是一款基于CapsWriter-Offline 2.6重构的离线音视频转文字工具，专注于文件转录而非实时语音识别。核心优势包括：支持文件右键菜单一键启用，带模型加载与转录进度提示；内置Qwen3-ASR-1.7B和Fun-ASR-Nano两种离线模型；可自定义导出txt、SRT、json等格式，并支持GPU加速。提供3.3G完整解压即用包（百度/夸克网盘），也可从GitHub下载主体后手动放置模型文件。需注意文件路径避免空格和特殊符号，系统需安装VC++运行库。已在Windows 10测试通过，预期支持Win11。
文章介绍用 ContextSearch、yt-dlp 与 CapsWriter Offline 搭建在线视频本地转文字工作流，实现本地化、免费且隐私安全的转写：浏览器扩展获取视频地址，yt-dlp 下载音频，CapsWriter 完成转写。可编写 Flask 本地服务接收地址，下载音频并复制到剪贴板，再按快捷键转写；文中更推荐用 AHK 脚本，自动检查并启动服务端，下载后调用客户端转录，并可安装右键菜单。yt-dlp 还支持从浏览器或 cookies.txt 导入 Cookie，用于会员、年龄限制和 B 站高画质，但需注意浏览器占用与 Cookie 安全。
