用一套「App + Server」，把长语音自动变成多语言博客

开场：9 月做出来的一个东西

哈喽，大家好呀。我偶尔会录一些科技相关的视频。9 月份，我做出了一个 App 加一组 Server 的程序，这里跟大家分享一下。

这个 App 没有复杂的功能，非常 simple，只有一个功能：把你的语音转换为你想要的 action（动作）。

手机端：打电话、说话、上传

具体来说，它就是一个长时间通话的 App。我打电话，并指定打给哪一个「处理部门」——这种部门可以有很多。比如打给它，然后我就开始说：说半个小时、一个小时、两个小时都可以。说完之后，我确认上传，然后就开始处理。

这个 App 做的事情，就是把你电话里的声音转换成其他格式并压缩，然后上传到我的谷歌云上（比如说那个存储，就是谷歌云），把我的声音文件就传上去了。同时在云端留了一个状态：有一个录音还没处理。

本地后台：一台只有 CPU 的小电脑

然后，我在我那台只有 CPU 的小电脑上做了一个后台。我这台机器没有 GPU，只有 CPU。这台电脑一直监视那个云：当云端有一个状态被触发的时候，这台 CPU 机器就去获取这个状态；同时这里还有一个语音文件，这台电脑就自己把那语音文件下载下来，让它在这边处理。

它先是去……我在我这个小电脑里开发了两个工具：

1. 一个是自动地把语音转成文字，用的是 faster-whisper 的 CPU 版本。它能够把长文本转好，比如说一个小时、两个小时都没问题。
2. 转完以后，我又开发了一个工具，把 DeepSeek Harness 重新封装，让它变成一个 CLI 命令。

云端系统：可以登录自己的 skills

然后我这边……这边这个画面，是我放在云上的一个系统。我这里可以去登录我指定的 skills。现在有两种状态：一个是你可以登录 Google Workspace Studio 的工作流；另一个是你可以使用 DeepSeek Harness，自己上传你的 skills。

而我觉得挺厉害的一点是：它能够往里面自己传你的脚本文件。很多这种服务其实是不支持脚本文件的，而我可以去支持脚本文件。

完整链路：从手机选 skill 到通知

当你传上去之后——我不是文字转换处理完了吗？处理完之后，我刚开始是在手机上选：我用哪个去处理。我选了一个，我不是选的……可以那个 DSH Blog 吗？这个后台不是有个 DSH Blog 吗？

我可以登录我自己的这个 skills 应用，然后发现要用这个 skill 处理，那我本地电脑就看我本机里有没有这个 skill：如果没有，我就去云上把这个 skill 下载、安装到我这里。然后我通过 CLI——我做了个 CLI 工具——通过 CLI 在后台自动去启动 DSH harness，把这个 skill 跑起来。

跑完以后，处理完事之后，给我的手机发一个通知，比如说长这样：这个通知，那个处理完了。

最妙的一步：脚本转三语 + 自动上传博客

这一套工具，有趣的是：这个 skill 里面可以写脚本，可以写 script，对吧。我这里加了一个脚本，干什么呢？我通过一个脚本程序，把这个语音说的这些内容去转换成三种语言，并且通过这个脚本上传到我的博客系统当中。大概是做了这么一个东西。

和 MUSE / Dota 的相似之处

其实我也不是说在这个节点上去讲那个流量啊，就是说：懂行的人一下就看出来，这个和前两天 Facebook 发布的 MUSE，或者 OpenAI 发布的 Dota，是不是挺像？其实核心上是能实现一样功能的。

而且我这个主要是打长语音，你录个一个小时、两个小时都没有问题。而且就是说，最费流量的语言转文字这一块，是由只有 CPU 的电脑来做的，也不费钱。所以说我做出了这一个和 MUSE、OpenAI 的 Dota 算是一样的功能。

关于「voice to action」的判断

其实感觉也是巧了，或者自己押题押对了。在几个月前我就一直强调：接下来会有一个叫做 voice to action 的大潮流到来。就是说，大家只是说一些东西，剩下的话通过我刚才介绍的这种模式，AI 自动去捕捉你的意图，然后执行一种 action，把这个 action 执行出来，尽可能贴近你真实生活里的一些事——这会成为一个潮流。

所以我也是同一件事情做的，感觉也像押对了题，挺开心的。

而且像刚才介绍的，代码我就不给大家提供了。因为其实知道原理之后，会 vibecoding 的话，按照这个思路，自己也很轻松地能搓出来这套系统。

下一步：自动判断该执行哪个 Action Skill

接下来我想的下一步是做什么呢？

刚才你看到那个手机，是我录音之前要先选：我要哪一个——我管它称为叫 Action Skills——哪个 Action Skill 去给我操作。

而我接下来，想在我这一套应用里再加一个最近挺火的 Jev，就是说一个自动判断的引擎，我想试试那个。然后的话，我再多去做几个 Action Skills。

是想做成什么样的呢？就是说：我说一大堆话，然后我这套程序自己判断，我的 action skills 哪个能去执行，哪个应该执行，按照什么顺序去执行；也就是每个环节执行的时候，会留哪些结果给下一个 action skill，让它去处理。这一套中间流程，我想十月份的时候尝试几个，看看能不能把这个做出来。

如果这个做了之后的话，以后就未来可期。就是说，我就随随便便地吐槽，吐个半小时槽，然后我自己能做的这些动作，比如说给博客写东西、做程序、做动画，反正我这套系统自动判断我应该按哪一种顺序去执行，然后用这些 action 去触发。这个做出来，又迈向了一个智能的阶段。

反正就努力，我也在这玩一玩，做一做新东西。如果有感兴趣的话，就是和我联系，我把代码也给大家写一下，到时候大家一起研究。

感谢大家！