技能介绍

要解决的问题

把语音变成可执行的指令，看起来简单，落地却很麻烦。调用云端 ASR 要面对网络往返带来的延迟、按量计费的成本，以及音频数据出域的隐私问题；把模型塞进本地，又得自己拼装模型下载、音频采集、转写循环和命令解析这些互不相干的环节。这个技能要解决的正是第二类麻烦：让 Agent 在设备端把语音识别和语音命令这两件事一次接通。

技能如何工作

技能围绕一条核心链路展开：安装 moonshine-voice Python 包 → 加载已下载的目标语言模型 → 采集实时麦克风音频 → 把转写事件接入本地语音命令工作流。

模型加载：不依赖云端接口，语言模型预先下载到本地，运行时直接加载
实时转写：通过 moonshine_voice.mic_transcriber 监听麦克风输入，逐段产出文本，适合交互式应用
命令接线：转写结果以事件形式暴露，可绑定到本地命令处理逻辑，形成「说话 → 识别 → 执行」的闭环
跨平台复用：同一套库可运行于 macOS、Linux、Windows、iOS、Android 和 Raspberry Pi，各平台均有示例应用可参考

适用边界与注意点

这个技能不是云端服务的替代品，能力上限由设备算力和内存决定。运行前需准备好 Python 3 环境、可用的麦克风或其他音频源，以及对应语言的 Moonshine 模型文件，三者缺一不可。首次接入建议从 GitHub Releases 中的示例应用入手，而不是直接改生产环境。技能聚焦于「识别 + 命令分发」这一段，不包含唤醒词检测、声纹验证等周边能力，需要时需另行集成。