物界前沿自建语音助手，从零到能对话，两天就够
先说结论：自建一个能对话的语音助手，门槛比很多人想象的低。S.A.T.U.R.D.A.Y 这个开源项目，把整条链路都打包好了，从「听到你说话」到「开口回你」，中间那堆零件它都帮你拼好了。我在本地跑了一周，把步骤拆给你看，照着一路点下来，两天内能跑通。
先交代背景。这个项目全称 S.A.T.U.R.D.A.Y，定位是 open-source、self-hosted、J.A.R.V.I.S。self-hosted 意思是你自己的电脑或服务器就是它的家，所有东西都在本地跑，不经过任何第三方云服务。J.A.R.V.I.S 就是钢铁侠那个管家，当然这位没有电影里那么聪明，但它能做的已经很实用了：你说话，它识别成文字，文字丢给 AI 理解，再生成语音回你。
对完全没接触过这块的新手，先解释三个词，后面不重复了。语音转文字（缩写 STT），就是把你说的话变成屏幕上的文字。文字转语音（缩写 TTS），反过来，把文字变成声音。WebRTC，一种浏览器里实时传声音、传画面的技术，不用装额外软件，这是整个项目的通信底座。
我这次给了自己两个方案，跑了两遍。方案 A 是直接用 S.A.T.U.R.D.A.Y 全套组装，零件省心，跑起来快。方案 B 是自己拆零件拼，用 whisper.cpp 做 STT、大模型 API 做理解、Coqui TTS 做语音，中间用 WebRTC 串起来。两个方案都跑通后，区别在这张表里：
| 对比项 | 方案A：S.A.T.U.R.D.A.Y 全家桶 | 方案B：自己拼装 |
|---|---|---|
| 部署难度 | 低，clone 下来就能跑 | 高，每个零件都要自己调 |
| 隐私性 | 全本地，数据不出门 | 看你怎么配，可以全本地也能混云 API |
| 需要 GPU 吗 | 建议有，CPU 能跑但很慢 | 同上 |
| 灵活性 | 中，跟着项目设计走 | 高，想换哪个零件换哪个 |
| 适合谁 | 第一次接触、想快速跑通 | 想折腾、对链路有研究兴趣 |
我的建议是直接上方案 A，先跑通，再拆开研究里面每个零件干了什么。别一上来就拼装，你还没见过正常跑起来是什么样，出问题了都不知道是哪个环节的锅。
下面跟着做，假设你用的是 Ubuntu 22.04 或者更新的版本，电脑上得有 Docker。Docker 是啥不重要，你就当成一个帮你打包软件的盒子，项目作者把环境都装好了，你只要按一下就启动。没装的话，先跑 sudo apt install docker.io docker-compose，装完确认 docker --version 能出版本号。
第一步，找个目录把代码拉下来。终端里输入：
git clone https://github.com/GRVYDEV/S.A.T.U.R.D.A.Y
cd S.A.T.U.R.D.A.Y
此时目录下会有一个 docker-compose.yml 文件，后面所有服务都由它启动。
第二步，看一眼 docker-compose.yml，确认端口没有冲突。默认是 8080，如果你本机跑着别的服务占了 8080，把配置里的 8080:8080 改成 8090:8080，左边是外部访问端口，右边是容器内部端口。这个坑我踩过，不检查直接启动，日志报端口占用，看不出原因，愣是浪费了二十分钟。
第三步，启动服务。docker-compose up -d，第一次会拉镜像，看你的网络，大约十分钟到二十分钟。看到 Started 字样就说明起来了。用 docker-compose logs -f 可以看实时日志，如果起不来，基本是镜像拉取失败，换 Docker 镜像源再拉一次就行。
第四步，打开浏览器访问 http://localhost:8080。界面是个很简单的网页，中间一个大按钮，点住不放说话。说完松开，大概一两秒，就听到语音回复了。第一次跑通的时候我愣了一下，它真的回话了，那一刻还是有点爽的。
到这里你已经跑通核心链路了。但还有个大坑：中文识别。whisper.cpp 默认模型对英文效果好，中文会识别得乱七八糟，我测下来一开始它把「今天天气怎么样」听成了完全不沾边的东西。解决方式是在配置里把模型指定为中文模型，或者在 whisper 的启动参数里加 -l zh 强制语言为中文。这个配置藏在 docker-compose.yml 里那个 whisper 服务的 environment 段，加一行 LANGUAGE=zh，重启服务就生效。改完再试，识别准确率明显上来了。
另一个我觉得值得说的坑是延迟。整条链路里最慢的是 TTS 生成语音那步，冷启动的时候要先把模型加载进内存，第一次对话会等个三五秒，后面就快了。不要以为装坏了，这是正常的。想要更快，可以换更小的 TTS 模型，代价是声音质感下降，听起来更像机器人。
我自己跑下来的体验是，这套东西作为个人的语音助手，已经能胜任了。素材里有不少人用它把家里的 Alexa 换掉了，理由都一样：不想要云端的麦克风一直开着。你也知道，本地部署这东西，隐私不是功能，是基于信任的前提条件。
学完这个，下一步可以试什么。把语音助手接到你的智能家居上，比如让它控制灯、开关插座，这涉及给助手加「工具调用」能力。或者反过来，把语音识别这块拆出来单独用，它本身就是个很干净的 STT 工具，可以用在会议录音转文字上。我有朋友就在搞这个，把规划好的会议纪要流程整个接到本地 whisper 上，省掉了每个月给云服务商交的订阅费。
最后留个问题给有动手欲望的人：语音助手识别对错怎么评估？准确率这个词，不同场景下的衡量方式完全不一样，你对着麦克风说「关灯」和对着录音转写「项目周报」，衡量标准是两套东西。你觉得本地部署的语音识别，到底该用什么指标来衡量？
本文编译自 Hacker News，原文：GitHub - GRVYDEV/S.A.T.U.R.D.A.Y: A toolbox for working with WebRTC, Audio and AI · GitHub
版权归原作者所有，本文为基于公开报道的编译与独立分析。
