最新

开源的Android语音助手应用程序，专为OpenClaw设计。<p>主要功能： - 离线唤醒词检测（Vosk） - VoiceInteractionService集成（长按主页键） - 实时聊天 + 流式响应 - 加密设置 + 设备身份 - 双语用户界面（英语/日语）<p>欢迎对架构、入门体验和生产环境的安全性提出反馈。

文档会出现偏差。README.md 中的示例可能与实现不再匹配，而持续集成（CI）通常不会注意到这一点。<p>我开发了 doksnet，这是一个小型的 Rust 命令行工具，它可以将文档部分与代码片段链接起来，并通过 Blake3 哈希值验证两者是否保持同步。<p>你可以定义如下的映射：<p>• README.md:15-25<p>• src/lib.rs:40-65<p>doksnet 将这些范围及其哈希值存储在一个紧凑的 .doks 文件中。doksnet test 会重新提取内容，如果有任何变化（包括空格），则会失败（退出代码 1）。<p>基本流程：<p>• doksnet new – 初始化<p>• doksnet add – 创建文档 ↔ 代码映射（交互式）<p>• doksnet test – CI 安全验证<p>• doksnet test-interactive – 审查/修复不匹配<p>它是本地仓库的，不依赖外部服务，也没有解析/抽象语法树魔法——仅仅是确定性的文本提取和哈希。<p>如果你想在 CI 中强制同步，还有一个 GitHub Action。<p>仓库： <a href="https://github.com/Pulko/doksnet" rel="nofollow">https://github.com/Pulko/doksnet</a> 安装：cargo install doksnet 网站： <a href="https://doksnet.pulko-app.com" rel="nofollow">https://doksnet.pulko-app.com</a><p>希望能收到对这种方法的反馈——特别是这个工具是否能比“根据新变化重写所有 README，确保没有错误”更有用，尤其是在 AI 使用受到限制的环境中。

我开发了一个英语发音评估引擎，体积仅为17MB，并且在CPU上运行时间不到300毫秒。<p>架构：CTC强制对齐 + GOP评分 + 集成头（MLP + XGBoost）。不使用wav2vec2或大型自监督模型——整个流程采用量化的NeMo Citrinet-256作为声学骨干。<p>在speechocean762（标准学术基准，2500个发音）上进行基准测试： - 音素准确率（PCC）：0.580 — 超过人类标注者间的一致性（0.555） - 句子准确率：0.710 — 超过人类一致性（0.675） - 模型体积比基于wav2vec2的最先进技术小70倍<p>权衡：在原始准确率上，我们比最先进技术低约10-15%。但对于语言学习应用中的实时反馈而言，这种延迟/体积的权衡是值得的。<p>可作为REST API、MCP服务器（用于AI代理）以及在Azure市场上提供。<p>演示：<a href="https://huggingface.co/spaces/fabiosuizu/pronunciation-assessment" rel="nofollow">https://huggingface.co/spaces/fabiosuizu/pronunciation-assessment</a><p>希望获得关于评分方法和人们认为有价值的用例的反馈。