新闻详情

新闻详情

首页 / 资讯中心 / 详情

ToastFish:用Windows通知栏背单词的完整指南

发布时间:2026/11/17 3:42:03来源:尧图网络
ToastFish:用Windows通知栏背单词的完整指南
ToastFish用Windows通知栏背单词的完整指南【免费下载链接】ToastFish一个利用摸鱼时间背单词的软件。项目地址: https://gitcode.com/GitHub_Trending/to/ToastFishToastFish 是一款开源免费的 Windows 背单词工具它把单词直接推送到系统通知栏不用切换任何应用瞥一眼屏幕角落就完成一次学习。它适合上班摸鱼的职场人、想在课堂间隙复习的学生把碎片时间变成有效的记忆时间。ToastFish是什么一句话定位把系统通知栏变成随身单词卡。核心价值有四点通知栏推送单词、音标、词性、中文释义、例句全在一条通知里视线不离屏幕SM2间隔重复系统根据你的自评没有印象/记忆模糊/暂时记住/已经牢记自动安排每个单词的复习节奏自动测验背完一轮自动进入选择题环节干扰项从词库随机生成答错会告知正确答案词库自定义用 Excel 模板导入任意单词列表专业术语、短语都能背快速上手3分钟跑起来 不需要复杂配置三步走完选择词库内置 CET4 等词库数据在 SQLite 数据库inami.db里直接挑选即可设置数量下拉框提供 5、10、15、20 四档决定本次背诵强度点击开始单词逐条推送到通知栏每个单词点「记住了」「暂时跳过..」或「发音」背完后自动进入测试一轮背→测循环完成。核心功能详解间隔重复不靠死记硬背SM2 模式下通知栏会给出四个评分按钮没有印象、记忆模糊、暂时记住、已经牢记。你的每次评分都会落库SM2 算法据此计算单词的下次复习间隔。效果是记不住的词频繁出现已经掌握的词不再打扰你。选择题测验验证真记住了吗背诵结束后自动开始做题每题四选一A-D干扰项由系统从词库随机抽取。答错时通知栏会直接推送正确答案方便立刻纠正。自定义词库导入任意单词内置词库有限时可以自己构建。步骤打开安装目录Resources下的自定义模板.xlsx按格式填写要背的单词和释义通过导入自定义单词入口导入学习记录每轮都有存档每次点击开始安装目录Log文件夹下都会生成一个 xlsx 文件记录本轮单词。还可以把旧记录重新导入背诵把背过的词变成可复用的资产。底层实现 ⚙️语言框架C# WPF.NET Framework 4.7.2MVVM 模式MvvmLight通知Microsoft.Toolkit.Uwp.Notifications通过ToastNotificationManagerCompat发送通知并解析按钮回调数据存储SQLiteDapper 访问词库与学习进度都在Resources/inami.db记忆算法SM2 实现位于Model/SM2plus/Card.cs、Parameters.cs发音优先下载单词 MP3 并缓存失败时回退到系统语音合成System.Speech使用场景与技巧适合的场景等待类时间文件传输、会议开始、代码编译通知栏自动填充重复性工作时数据录入、例行检查每隔几分钟扫一眼通知上课间隙比打开一个背单词 App 隐蔽得多可执行的建议从每次 10 个词起步适应通知栏评分节奏后再加到 20测试环节诚实作答评分不准会让 SM2 的复习排期失灵定期用导入记录重测旧单词巩固长期记忆发音报错前先在系统设置安装英语语音包常见问题Q: 支持哪些系统A: Windows 10 及以上。Win7 和 Mac 没有 Win10 通知栏官方没有开发计划。Q: 通知停留时间太短A: 在系统设置 → 轻松使用 → 显示 → 通知显示的时间里调整。Q: 点发音会闪退A: 系统缺少英语语音包在系统设置中下载安装后重启软件即可。Q: 学习记录存在哪A: 安装目录Log文件夹下的 xlsx 文件按时间命名。Q: 美音英音能切换吗A: 可以应用内可选美国/英国音标和发音都会跟随切换。Q: 收费吗A: 完全开源免费MIT 协议。安装与获取从项目 Release 处下载ToastFishSetup.exe双击安装说明见 README或者直接解压 Release 版本免安装运行需要二次开发时克隆源码git clone https://gitcode.com/GitHub_Trending/to/ToastFish源码用 Visual Studio 2019 编译.NET 环境 4.7.2。通知栏本来是可以忽略的地方现在它可以是单词悄悄长进记忆的地方。想利用工作日的碎片时间装好当天就能用。【免费下载链接】ToastFish一个利用摸鱼时间背单词的软件。项目地址: https://gitcode.com/GitHub_Trending/to/ToastFish创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉