Yogurt 不进会也能记会议,然后它开了一个 socket

会议记录工具,第一件要搞清楚的是它会往通话里塞什么。多数产品会以参会者的身份进会,在名单里占一个位置。网格里多出一个名字,别人看得见,录音这件事有个明面上的来源。这对知情同意是好事,其他方面全是坏事:bot 要人放行,会出现在访客列表里,某些平台上还会改变通话的版面布局。
Yogurt 由 Frigade 以 MIT 协议发布,它不进会。它录你的麦克风,以及电脑正在播放的所有声音。没有参会者,访客列表不变,主持人不需要放行任何人。
FAQ 把后果写得很直白:没有 bot 进会,所以你得自己告诉通话里的其他人你在录音。这句话承担的东西比看上去多。录音器一旦不可见,剩下的知情同意机制就只有你开口说一句。
它跑的是什么
整条流水线由三个本地部件组成,没有云端环节。
转写用 whisper.cpp,按机器情况选 large-v3-turbo 或更小的模型。在受支持的 Mac 上,通话过程中由 Apple 的 SpeechAnalyzer 提供实时文字,Whisper 负责生成存档的转写稿。这个分工挺合理:一个引擎管延迟,一个引擎管你要留下来的那份文件。
摘要和问答走 llama.cpp,模型从 Gemma 4、gpt-oss、Qwen3 这几个系列里挑开源的,具体看你的硬件。应用是 Electron 写的,不需要账号。
初始化分两次下载。先下一个小一些的笔记模型,大概 5 GB。再下这台机器能跑好的最好的那个,文档里写的是 14 GB 或更多。装完就能录音;笔记模型下好之后,笔记和提问可以离线用。最低配置是 8 GB 内存,系统方面 macOS 14.4 的 Apple 芯片、Windows 10 2004 或更新版本的 x64、Ubuntu 22.04 或相近版本。
数据放在可预料的位置。Mac 上是 ~/Library/Application Support/Yogurt,Windows 上是 %APPDATA%\Yogurt,Linux 上是 ~/.config/Yogurt 或 $XDG_CONFIG_HOME/Yogurt。应用联网只有两件事:下载模型和检查更新,就这些。
哪些是 Mac 独有,哪些不是
通话检测跨平台,但比较浅。Yogurt 看哪些应用在用麦克风。浏览器里的通话,它还会看标签页标题,或者看日历里带会议链接的近期日程。判断通话开始了,它就问你要不要录。你点了才开始录,对一个没法自报身份的软件来说,这个默认值是对的。
说话人名字只有 Mac 有。在 Mac 上给了辅助功能权限之后,Zoom、Teams、Meet 显示谁在说话时,Yogurt 能读出来。Windows 和 Linux 上转写稿没有逐句的说话人归属。如果你在意说话人分离,这就是那条决定性的线,而一个 2026 年的产品,平台差距偏偏留在这类地方,说实话挺奇怪的。
日历也只有 Mac 有,读的是电脑上已有的日历。你不需要在 Yogurt 里登录日历账号。多语言模式转写覆盖 99 种语言,界面是 32 种。摘要跟着会议的主要语言走,回答跟着你提问的语言走。
还有两个不太起眼的行为值得说。通话结束时 Yogurt 会停录,靠的还是麦克风占用信号。跨会议的回答会带回到原文的链接,这是这个品类里我唯一认为不能少的特性。查不了出处的摘要,就只能靠信。
那一个 socket
有意思的决定是那个本地 MCP 服务器。
在设置里的 AI apps 打开它,复制那条辅助命令,把它作为本地 MCP 服务器加进你的助手。访问权限默认关闭。连上的应用能读会议、笔记和转写稿,只读。它们改不了任何东西。也可以让 Yogurt 停止后续的读取。
Mac 和 Linux 上,传输通道是你用户目录里的一个 socket,权限 0600,所以只有你这个账号能打开。Windows 上是一条命名管道,每次启动随机一个新名字,名字只存在你的用户目录里。
然后就是让我写这篇文章的那句话:没有 per-app token,所以只要访问权限开着,你账号下跑的任何应用都能读。设置里显示已连接的应用,用的是它们自己报上来的名字。
这件事值得先停一秒想一想。这里的权限模型按用户会话划,不按应用划。开关一拨,边界就是你的登录账号,而不是一份批准过的程序名单。设置里那个应用列表也只是看着方便,名字都是应用自己报的。
这件事可以有两种读法。刻薄的读法是:一个本地只读 socket 却没有 per-app 凭证,等于一套把齿锉掉的权限系统;而「自己报上来的名字」是你还没做出身份层时才会写的东西。
宽容的读法是:在桌面端把 per-app token 真正做到位很难,0600 的 socket 对机器上的其他用户是条实打实的边界,而大多数人真正在用的替代方案是把转写稿传到厂商服务器。一个写了注意事项的本地 socket,比一个配了隐私政策的云 API 划算。
我偏向第二种读法,但有个条件。那个注意事项得一直留在 FAQ 里。这类产品一旦开始把本地 MCP 访问说成安全的、不带上限定,老老实实的工程就变成了营销。
你要付的代价
钱是一分不花,但重点不在这。代价在别处。
第一是硬盘空间和内存占用。在一台同时还要开着浏览器的笔记本上,14 GB 的模型加上录音是实打实的占用。初始化流程会告诉你这台机器是不是太慢,这比多数软件体面。
第二是注意力。应用没法自报身份,知情同意就变成一件社交动作,每次都得你自己记得做。用户体验比网格里冒出个 bot 要差,但对通话里那些什么都没装的人来说更好。
第三是平台。Mac 有说话人名字和日历,Windows 第一次运行会弹 SmartScreen 警告,因为构建没拿微软的证书签名,Linux 拿到的是应用本体,Mac 那两样额外功能都没有。
这个产品做出的取舍是自洽的,前后对得上。本地处理、本地存储、本地模型、不要账号,再加一个只读 socket,让你的助手能回答上周二的事。几乎每个替代方案都至少放弃其中两样。
它凭什么占一个位置
这个品类现在有个默认形状:bot 进会,音频传到服务器,摘要回来,转写稿留在厂商手里。Yogurt 是同一个产品,把传输方向反过来,而传输一反过来,其他每个决定都得明着做,包括说话人归属和应用身份那些不好看的决定。
有用的正是这部分。一个本地优先的应用,由两件事定义:文件写在哪,以及它怎么决定谁能读。这两件文档里都写了,细到文件权限和管道命名,包括那个缺口,这种细致程度不常见。你可以不认同那个缺口,同时还继续用这个应用,那些从来不告诉你缺口在哪的服务,做不到这一点。
安装包放在 GitHub 的 releases 页面上,Mac arm64、Windows x64 和 Linux AppImage 都有。仓库里也写了从源码构建的方法,如果你想读代码而不是读 FAQ 的话。考虑到这个权限模型,读代码看起来是个合理的选择。
相关文章
「宿命感拉满的橘子海剪影」:一句提示词把情绪拆成了参数
11 月 19 日到 20 日,小红书和抖音同时刷起「橘子海剪影」。点进去会发现多数人并没有站在落日下,他们把自己的一张照片交给豆包,出来的是一张 3:4 竖版情绪海报。这套氛围被拆成了十几个写得明明白白的参数。
ByteDance 的 SeedRealtime 每秒只取两帧,再自己决定什么时候开口
豆包 Seed-Realtime-1.0 把摄像头画面、屏幕画面和语音合成一个全双工会话,每秒最多推两帧。有意思的决定是帧率、主动说话,以及默认就开着的审核回复。
Cicada 直接听会议的系统音频,会议室里没有机器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免费应用,从系统音频里写出双语字幕和结构化会议笔记。按住一个键,你能用自己克隆出来的声音,把回复用另一种语言说出去。整个过程里没有机器人加入通话。
一台 server、一个 AI 主播:夜间直播背后的代码
open-yoki 是一个每晚在 Binance Square 直播的 AI 主播的生产代码,人格、声音和跟钱有关的功能都拿掉了。headless Chrome 画帧,ffmpeg 推 RTMP,一个 Markdown 文件夹决定她的情绪和要发的东西。