给 AI 装上耳朵：离线语音识别与唤醒的国内环境踩坑实录
作者复盘本地 AI 中控的离线语音识别与唤醒实践，记录三个坑及修法。
借鉴点
能拿走模型候选列表顺序即优先级加环境变量逃生舱、HF_ENDPOINT 镜像、GitHub 走 REST API 下 release、SAPI5 零子进程播报；落到本地模型部署和语音产线，代价是唤醒率与音质仍需本机实测。
#语音
只收明天就能用得上的掘金精选AI 评分7575
掘金精选AI 评分7878 Agent 语音引擎从 CosyVoice2 zero-shot 换成 GPT-SoVITS 微调，说话人余弦 0.06 升到 0.89
作者给 QQ 上的 Agent 做固定角色语音回复，先用 CosyVoice2 zero-shot 加频响补偿做到够用，再用自写脚本量出说话人余弦只有 0.06–0.09、底噪抖动达 30dB 的天花板。
借鉴点可拿走一套 TTS 量化脚本（人声厚度、底噪 p10、说话人余弦）和 GPT-SoVITS v2 微调参数，把固定角色音色从 zero-shot 换成训练进权重，代价是要 100s 级清洗音源并接受 seed 抖动。
掘金精选AI 评分8888 VoiceStudio 搭配 VoxCPM 2 本地配音教程：参考音频清洗、分段与质检全流程
作者用 VoiceStudio 加 VoxCPM 2 在本地搭出一套可商用的中文配音流程，给出图形界面和 Mac 上 mlx-audio 两条路线。
借鉴点能拿走参考音频清洗流程（HTDemucs 分离加 DeepFilterNet3 降噪、停顿低于语音 25 dB 的门禁）、每段不超 100 字只在句末切、ASR 对稿超 0.15 换种子重试，落到视频产线和本地模型部署；代价是 Mac 上单进程串行跑，参考不干净会整段返工。
掘金精选AI 评分7878 从零搭建 QQ「大肥鱼」AI 机器人：NapCat 加 AstrBot 串起 DeepSeek、语音与飞书 Agent
作者用一台 Ubuntu 服务器、两个 Docker 容器和五个自写插件，把 NapCat（OneBot v11）、AstrBot 4.29.3、DeepSeek deepseek-flash、本地 Whisper、Edge TTS 和 DSH Agent 串成一条 QQ 机器人链路，并给出可复制的命令与配置。
借鉴点能拿走 NapCat+AstrBot 双容器串联、modalities 显式声明、Whisper 强制中文加 loudnorm 归一化、TTS 前正则清洗这几处具体配置，落到本地模型部署和知识沉淀线；代价是 QQ 自动化有封号风险，NapCat 重启要重扫码。
掘金精选AI 评分7878 用 MOSS 生图、TTS 和 ffmpeg 把历史故事做成竖屏视频的完整流水线
作者用 MOSS 开放平台的生图与 TTS 接口加 ffmpeg，把法拉第与爱迪生的历史故事做成 1080×1920 竖屏视频，全程不开剪辑软件。
借鉴点能拿走分镜 JSON 加三个脚本的纯命令行流水线，按实测音频时长反推时间线、ASS 烧字幕、ffmpeg zoompan 运镜，落到视频产线；代价是生图水印需 OpenCV inpaint 本地处理，concat 清单必须写绝对路径。
Hacker News · AI 讨论精选AI 评分7878 Poldi 开源本地离线语音助手，面向小显存消费级硬件
RhinoDevel 在 GitHub 开源 Poldi，一个完全跑在本地硬件上的语音对话助手，用 C# 写服务端，配 Node.js 免手客户端和网页客户端，支持唤醒词、打断回答和终端模式。
借鉴点能拿走一套低显存本地语音助手的完整配置，含各档模型对应的量化版本与采样参数、分类器与记忆模型分开加载、keepLoaded 关掉后用快照换显存；落到本地模型部署这条线，代价是要自己装 SearXNG、Caddy 和一堆编译依赖。
掘金精选AI 评分7878 Windows 桌面语音唤醒从 Vosk ASR 迁移到 sherpa-onnx KWS 的实践复盘
作者把 Windows Electron 桌面语音助手的唤醒方案从 Vosk Grammar 模式换成 sherpa-onnx 的 KeywordSpotter 加 Silero VAD，唤醒判定从识别文本的字符串匹配变成声学 token 序列精确匹配。
借鉴点能拿走 KWS 阈值三档、400ms 宽限期、预卷环形缓冲和 numThreads=1 这几个具体配置，换掉用 ASR 文本匹配做唤醒的链路；代价是 VAD 挡不住旁人真语音，还得另加声纹或文本过滤。
AWS Machine Learning Blog精选AI 评分5858 AWS 用实测 Q_max 和 T_total 推导 SageMaker 上 Kokoro-82M 的自动扩缩容阈值
AWS 机器学习博客给出在 Amazon SageMaker AI 实时端点上部署 Kokoro-82M 并实测推导自动扩缩容参数的方法，用 Q_max（单实例在 SLO 内能承受的最高并发）和 T_total（一次扩容端到端耗时）两个测量值算出扩容阈值、缩容阈值和两个冷却时间。
借鉴点能拿走一套五命令链 drift/qmax/ttotal/plan/validate，用实测并发上限和扩容耗时反推扩缩容阈值与冷却时间，落到本地模型部署线；代价是要跑约 36 分钟压测并占用 GPU 配额，样本容器还钉着有已知漏洞的旧 PyTorch。
AWS Machine Learning Blog精选AI 评分6060 AWS 用 SageMaker AI 上的 Kokoro TTS 为 AI 智能体流式输出低延迟语音
AWS 介绍在 Amazon SageMaker AI 上托管 Kokoro-82M 语音合成模型，把智能体产出的每个句子即时送入合成，而不是等整段回复生成完再开始。
借鉴点能拿走逐句切分流式合成、双向 WebSocket 会话复用和二进制与 JSON 控制帧混传三段代码，落到语音产线和本地模型部署；代价是要自建带 bidirectional-streaming 标签的容器，且示例镜像锁了旧版 PyTorch。
已经到底了