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是一款基于CapsWriter-Offline 2.6重构的离线音视频转文字工具，重点服务于离线转录场景，不追求实时低延时。其优势包括：可从文件右键菜单一键启动并显示模型加载与转录进度；内置Qwen3-ASR-1.7B和Fun-ASR-Nano两个离线语音识别模型；支持在托盘图标中设置导出格式（txt、SRT、json及合并txt）；可开启GPU加速。仅确认在Windows 10上测试通过，支持Windows 11，不保证Windows 7可用。提供两种安装方式：直接下载含模型的完整压缩包（约3.3G）解压即用，或从GitHub下载主体后手动放入三个模型文件夹。若启动报错缺DLL，需安装VC++运行库。使用时需避免文件名或路径含空格及特殊符号。
根据“ContextSearch + yt-dlp + CapsWriter Offline”这一特定的工具组合，这是一套非常经典的在线视频本地化转文字方案。 这套方案的核心逻辑是： ContextSearch (浏览器扩展)：作为触发器，获取当前视频的 URL。 yt-dlp (命令行工具)：作为
