技能介绍

要解决什么问题

想在本地或浏览器里做中文语音对话，又不想单独装桌面客户端或移动端 App 时，常见痛点是：语音识别、大模型调用和 TTS 要各自对接，还要处理 file:// 下的跨域限制。此技能的目标是生成一份可直接在浏览器使用的单页 HTML，把麦克风输入、模型推理（含可选图片）和语音播报串成一条链路。

技能如何工作

生成 assets/voice-ai-assistant.html 并放到你指定的目录（例如桌面）。页面侧能力包括：

语音输入：依赖浏览器 Web Speech API 做中文识别
语音播报：模型回复自动用中文朗读
连续对话：一轮回复结束后继续监听，适合免按键对话
图片上传：可将图片交给模型做内容分析
后端切换：在设置里配置 API Base URL 与模型名，支持本地 Ollama（如 http://localhost:11434/v1）或 DeepSeek 云端（https://api.deepseek.com/v1，需真实 API Key）

本地场景下文档推荐 qwen2.5:7b-instruct（中文与响应速度较均衡）。页面提供深色主题与 ⚙️ 设置入口，首次加载后填写 Base URL、Key（本地可占位）和模型即可使用。

适用边界与注意点

页面不能双击 HTML 用 file:// 打开：会被 CORS 拦截，需通过本地 HTTP 服务器访问（例如 http://localhost:8080/ 下的页面文件）
首次使用需授予麦克风权限；语音识别质量 strongly 依赖浏览器实现，Chrome / Edge 更稳妥
走 Ollama 时需本机已 ollama serve 并拉取对应模型；云端走 DeepSeek 时需有效 Key
macOS 可额外生成 启动语音助手.command，用于一键起服务并打开浏览器，但每次会话仍依赖 HTTP 服务在运行