技能介绍

解决什么问题

刷抖音网页版时，双手持续滑动容易疲劳，而语音控制在 Windows 桌面环境里往往需要折腾一套完整方案。这个技能把「说一句话就翻页」这件事压缩成一个自包含的本地服务：浏览器打开控制页授权麦克风，再打开 www.douyin.com，说出上、下、暂停、继续四个词就能完成视频切换与播放控制。适合挂在副屏或语音播报场景，让刷信息流不再依赖手指。

它是怎么工作的

核心脚本是 scripts/scroll-server.py，一个集成了识别、控制与前端的 Python HTTP 服务。

离线中文识别：加载 vosk-model-small-cn-0.22（约 42MB 小模型），采样率 16000 Hz 单声道，100ms 音频块切分，延迟很低。
语法限定：通过 KaldiRecognizer.SetGrammar 只识别四个触发词，搜索空间缩小约 1000 倍，降低误触发概率。
触发防抖：0.35 秒冷却时间，避免一句话里连续触发多次滚动。
音量自动静音：说话期间调用 winmm.waveOutSetVolume 临时静音系统输出，说完自动恢复，避免回声干扰自己。
键盘模拟与窗口检测：用 pyautogui.press 发送 up、down、space，配合 pygetwindow 检查当前活动窗口是否为抖音，只有抖音在前台才执行动作。
Web 控制面板：访问 http://127.0.0.1:18888 提供麦克风开关、实时状态、灵敏度滑块与「🎙 校准声音」按钮。校准时正常音量说几次「上」「下」，5 秒后自动适配个人音量阈值。

适用边界与注意点

仅支持 Windows：依赖 winmm 音量控制与 pyautogui、pygetwindow 等桌面库，macOS 与 Linux 不在目标范围。
需要 Python 3.9+ 与麦克风硬件：浏览器必须允许麦克风权限，且不被其他程序独占。
模型需手动就位：需下载 Vosk 中文模型并放在 vosk-model/vosk-model-small-cn-0.22/ 路径下，目录结构错误会导致加载失败。
只认抖音网页版：需要当前窗口标题包含「抖音」字样，焦点不在页面上时可能不触发滚动。
识别词表固定：仅支持「上/下/暂停/继续」，超出这四个词的指令不会被响应。
声音环境要干净：嘈杂环境或麦克风增益过高时，建议先校准并适当调低灵敏度滑块，减少误识别。