第7章 Captures 功能详解：音频捕获、转录与润色

概述 Captures（捕获）配对的音频 + 转录归档——每一次听写、录音和上传的音频文件都会出现在这里，可重播、可重新转录。概述 一条 capture（捕获）是一段音频及其转录文本的配对。Captures 标签页汇集了所有听写、手动录音和上传的音频文件，原始音频和文本一并保存，方便你重播、换模型重新转录、润色转录文本，或把内容发送到别处——包括用任意语音音色重新生成为语音。 Captures 标签页在 0.5.0 中发布，同期上线的还有全局听写和按音色配置的 personality 模式。如果你用过更早的版本，请注意：原来的 Audio 标签页已移入 Settings → Audio Channels，为它腾出位置。 捕获的来源 来源如何产生徽标听写（Dictation）由全局热键触发（见 Dictation）。默认自动润色。dictation应用内录音直接在 Captures 标签页用内置麦克风录音。recording文件上传拖入 Captures 标签页的任意音频文件——.wav、.mp3、.m4a、.webm、.opus、.flac。file 三种路径共用同一套后端流水线、同一个模型选择器和相同的润色开关。来源徽标的作用是让你扫一眼就能分辨一长串列表。 列表视图 Captures 主视图是一个按时间排列的列表。每行显示：

转录文本（原始或润色后的——有润色版则优先显示） 时长 + 时间戳 来源徽标 原始音频的播放按钮 一个包含单行操作的菜单

过滤和搜索属于 Tier-2 需求——有需要请 ping 一下。 详情视图 点击某条捕获进入详情视图：

原始音频的波形播放器 转录编辑器——点击即可编辑，失焦时自动保存 如果这条捕获做过润色，可切换查看润色版 / 原始版 单条操作栏——重新转录、润色、转语音播放、删除 设置快照——当时使用的 STT 模型、处理这条捕获时的润色开关，以及播放过的语音模型（如有）

重新转录（Retranscribe） 把捕获的原始音频用另一个 Whisper 模型重新跑一遍，无需重新上传或润色。适用于：

默认模型听错了某个词，想换更大的模型试试 嘈杂片段用了 Base，想换 Turbo 重跑 非英语片段需要显式指定语言

Settings → Captures → Transcription 控制新捕获的默认模型和语言锁定。重新转录默认使用这些设置，除非你在单条捕获上覆盖。 润色（Refine） 把原始转录文本送入本地 LLM，生成一份清理后的版本。润色首次运行时会快照该捕获的开关设置，之后可以改用不同开关重新润色，而不会丢失原始转录：

开关效果智能清理去除填充词（um、uh、like），整理标点和大小写。去除自我修正当说话人改口时（"actually, no, on Tuesday"），只保留最终版本。保留技术术语不动 handleSubmit、npm install 这类标识符。

关于 Voicebox 在送入 LLM 之前如何剥离 Whisper 的循环幻觉，见 Dictation 的 Refinement 部分——捕获可以被无限次重新润色，不会重新出现"thanks for watching thanks for watching"式的回声。 润色模型选择器（三种内置 Qwen3 规格）位于 Settings → Captures → Refinement。 转语音播放（Play as voice） 这是听写品类里独一份的能力：任意捕获都可以用你的任意语音音色转成语音播放。一个下拉框选音色，一键点击，捕获文本就通过 /generate 用选定的声音输出。 用例：

用你喜欢的某个人物的克隆声音回放自己的听写 把一段听写内容以特定角色的声音作为语音回复发送 为故事台词快速试音，无需重新打字

播放使用所选音色绑定的引擎——规则与 Generate 标签页一致。这条路径中没有 LLM，转录文本原样输出。如果你想要"先转换内容再朗读"的 agent 式流程，那是 personality 模式做的事——同一个能力也通过 MCP Server 暴露给支持 MCP 的 agent，让 Claude Code、Cursor 或 Cline 用你的某个声音自主说话。 Captures 标签页 Play-as 操作的默认语音在 Settings → Captures → Playback → Default voice 中设置，仍可按单条捕获覆盖。 发送到（Send-to）菜单 每条捕获都有一个 Send-to 菜单，把内容转到 Voicebox 的其他部分：

Copy transcript——复制转录文本到剪贴板 Use as voice sample…——把这条捕获提升为某个语音音色的样本。会打开音色选择器（冷启动时可选"+ New voice"）和参考文本确认对话框，因为克隆要求 reference_text 与音频逐字一致。按需编辑并保存——捕获本身原样留在 Captures 标签页，样本是复制而非移动。

存储 原始音频和转录文本一起保存在你的 Voicebox 数据目录中。Settings → Captures → Storage 显示捕获文件夹，并可直接在文件管理器中打开。 只要音频文件还在，每条捕获的音频和元数据都可以重新处理（重新转录、润色、转语音播放）。 短录音防护 短于 300 毫秒的音频片段会在客户端被直接拦截，不上传。这避免了误触快捷键产生一条空捕获。阈值的设定既能过滤误操作，又不会误伤刻意的短听写。 键盘快捷键 在 Captures 标签页内：

按键操作Space播放 / 暂停当前选中的捕获↑ / ↓上一条 / 下一条捕获Enter打开选中捕获的详情视图⌘ / Ctrl + C（详情视图中）复制转录文本

API 接口 Captures 标签页由一组小型 REST 端点支撑：

方法端点用途POST/captures上传音频并启动流水线（STT、可选润色、归档）。GET/captures列出捕获。GET/captures/{id}获取单条捕获。POST/captures/{id}/retranscribe用指定模型重跑 STT。POST/captures/{id}/refine用指定开关重跑润色。POST/profiles/{id}/samples/from-capture/{capture_id}把捕获提升为语音音色样本。

这些端点稳定可用，可以直接在你的脚本中调用——关于把 Voicebox 作为服务器运行、供本机其他程序调用，见 Remote Mode。 下一步 Dictation输入大多数捕获的全局热键流程。Voice Personalities按音色配置的 compose 按钮和 persona 改写开关，用于想转换而非仅转录的捕获。Creating Voice Profiles把一条捕获提升为音色的语音样本。在 GitHub 上编辑Dictation在你机器的任意位置按住一个键、说话、松开——转录文本落入当前焦点所在的输入框。Voice Cloning用几秒参考音频克隆任意声音