sosoj92/jarvis-assistant-vocal

它解决了什么问题

Jarvis 是一个本地语音助手，旨在作为家庭自动化、电脑控制和个人生产力的中心枢纽。它通过将语音启动的控制整合到硬件（灯光、OBS、电脑状态）、网络服务（Gmail、Google Calendar、Instagram）和复杂工作流程（网络预订、内容创作管道）中，消除了对多个分散应用程序的需求，提供单一的自然语言界面。

它的运作方式

Jarvis 使用模块化管道：本地唤醒词检测器（openWakeWord）触发本地转录引擎（faster-whisper），该引擎将请求发送给可配置的 LLM。系统支持三种操作模式：Hybrid（日常任务使用云端，后台任务使用本地）、Quality（高性能云端模型）和 Local（通过 Ollama 100% 离线）。

为了在不牺牲安全性的情况下处理复杂推理，Jarvis 将深度研究和思考委派给 Hermes，一个独立的本地审议代理。Jarvis 保留“身体”（动作执行和 API 密钥），而 Hermes 提供“大脑”（分析和起草）。系统可通过网络音频卫星（例如 Raspberry Pi）扩展，在不同房间提供语音访问，无需长电缆。

适用对象

适合想要高度可定制、注重隐私的语音助手来控制其 Windows 11 环境和智能家居的用户，以及寻找可扩展框架以通过简单的装饰器系统添加自己工具的开发者。

重点特色

• 多模态控制：整合语音、屏幕视觉（捕捉错误/文本）和基于网络摄像头的手势，用于电脑和媒体控制。
• 广泛的工具：内置集成 Philips Hue、OBS、Google Calendar、Gmail、Discord、Instagram 和 Twilio（用于电话通话）。
• 网络自动化：使用 Playwright 和 Chrome CDP 来摘要当前标签页、管理浏览器标签页，并执行真实世界的网络预订。
• 渐进式安全：实现 N1/N2/N3 权限级别，确保关键操作（如发送电子邮件或关闭电脑）需要明确的语音确认。
• 灵活部署：可在单台电脑或无头服务器上运行，并搭配远程“主站”进行音频和显示。
• 本地优先选项：支持使用 Ollama 和本地 TTS 引擎（如 Piper 或 Kokoro）完全离线操作。