昨天我在所里讲课，用 gamma html 的方式演示 ppt，发现了一个问题：
因为我讲的是 AI，需要兼顾电脑上操作演示软件，一手拿着话筒，一手又拿翻页器，控制 PPT 翻页确实不太方便。而且讲的时候，出现了好几次因为操作电脑 html 演示不顺畅、导致停顿的局面。
讲完课复盘，想到这个问题时，直接冒出一个想法：咦，为啥我不直接做个语音控制 ppt 翻页的程序，把这事解决了？
和我的 AI agent 聊了几句，把技术点了解清楚、简单地 plan 了个架构，就让它开动了。
具体 github 地址，欢迎大家 star：
github.com/rainbow1111-lalala/voice-slide-control
安装及使用方法
打开浏览器，输入上面的网址，点绿色的「Code」键，再点「Download ZIP」即可。
下载之后双击一个叫 start.command（苹果系统）/ start.bat（Windows 系统）的文件，首次启动会自动配置环境（约 1–2 分钟），随后会自动通过网页弹出控制面板。
这个项目可以离线运行，点一下「下载离线模型 Vosk」即可。如果想要更精准，就设置 api，首推快速、免费的 Groq，注册拿个 key 填进去就行。
当然，更省事的方法是，把这个网址直接丢给你的 AI Agent（国内的 workbuddy、coze、kimi、manus 都行），告诉它：「帮我安装这个项目：github.com/rainbow1111-lalala/voice-slide-control」。运行不了就继续问它怎么解决。
具体功能
功能非常简单。
第一步，你用中文说几个关键词「下一页」「下页」，英文「next」「next slide」，还可以自己加上惯用的口令，比如「接下来」。
第二步，每次你讲到这些词，程序里的语音识别引擎就会识别到，然后按下方向键「👉」，无论是 html 版的 ppt，还是 PowerPoint，都能直接翻页。
关键是接入了云端的语音识别大模型，识别精准度高很多。
此外还可以调节麦克风灵敏度（rms）、句末停顿（silence_ms，控制说完后程序等多久判定这句结束）。一个管「多大声算你在说话」，一个管「停多久算你说完了」。
数据流（也算它的工作流）
其实就是它的工作流。
技术栈
底座：语言整个项目都是 Python；运行环境用 venv + pip 虚拟环境，用户双击 start command 后自动帮你装好。界面：Flask： 就是一个 app.py，干三件事：① 把网页发给浏览器；② 提供 JSON 接口（每次你点测试连接、保存配置、开始监听、下载模型就触发）；③ 把后台监听进程的日志实时推给网页。前端是原生 HTML/CSS/JS，骨架+样式+行为。audioop.rms 是音量表，算多大声、何时开始录；VAD 语音活动检测判断说完没；pre-roll 是新加的功能，程序会先录最近半秒的声音，避免开头声音太小被切掉；pynput 相当于手，模拟按一下键盘方向键。requests 负责把录音发给云端、再拿回文字（离线 Vosk 识别就不需要了），相当于快递员；OpenAI 兼容接口可以接各家语音识别 API，包括 Groq、OpenAI 等；Whisper 是 OpenAI 的语音识别模型；Vosk 是能本地跑的离线识别模型；pypinyin 把中文转拼音，专治同音字误识别。在做之前其实也不认识 Vosk、Groq 这两个东西，每次都是实践出新知，做了语音识别才知道。做这种工具最有意思的就是这点，边做边把一个领域摸清了。
上图显示了目前开源比较好用的语音转文字大模型：
Whisper（OpenAI）、Nvidia Parakeet；
中文的有 FunASR · Paraformer / SenseVoice（阿里达摩院）。
云端 api 最强的还是 OpenAI gpt-4o-transcribe，欧洲跑出的黑马 ElevenLabs（Scribe），还有这个工具用的免费又快的 Groq。
中文比较好的有讯飞、阿里、火山引擎等。又学习了！
怎么做出来的
其实就是有个想法。
第一步，一边和 ai 聊有哪些技术难点，梳理出工具的工作流；
第二步，让它 plan 出架构后开始做 demo；
第三步，demo 实测有什么问题就想办法解决，比如识别成同音字「下一夜」就不翻页，那就让它把中文转拼音，只要识别到「xiayiye」都算成功；又比如人开口第一个字通常比较轻、程序没收到，办法就是让它提前半秒录音；
第四步，加上调节灵敏度和反应速度的小功能。
结语
虽然这是个很小的工具，功能也有待完善，但因为之前已经陆陆续续做了十几个工具，现在流程日渐成熟。接下来会把我做的小工具陆续开源放出来，期待和大家一起聊聊 build something 的心得。
