joe223

@yukminnie 后面其实想做 computer-use 的能力，可以语音交互操作电脑，或者发出指令让 Agent 操作电脑，不知有无这方面需求？

也考虑到本地运行的负载限制，所以目前版本中最多给到 Gemma4 2B 版本的选项

@yukminnie 功能定位上是一回事，但是两者技术上实现不同。一个是 LocalPolishEngine ，另一个是 CloudPolishEngine 。LocalPolish 毕竟是小模型哈，还是不如云端几十上百 B 的大家伙

（但是 2B 以内的本地 llm 模型其实指令遵从性不太行，最好还是别开

@yukminnie 校准一下哈，500 兆主要是本地 STT 模型的占用，如果开启本地 polish 模型的话，估计 >1G 。

如果不是性能非常顶级的机器，我比较建议的使用本地 STT+云端 DeepSeek 。

因为现在做了上下文管理，我个人体感识别校准效果和 typeless 等商业化产品差不多了

@yukminnie 当前用的本地 STT 模型主推 sensevoice ，比较小巧精悍。如果开 polish 的话，很难了，2B 模型才有比较好的表现。建议用 DeepSeek V4 flash , 非常省钱

@yukminnie 1. 国内的化下载模型会走 mirror 站点，是不是开 VPN 了呀？ 2. 实时 STT 准确率略低于录音 STT ，所以目前倾向先录制，结束后出结果。为了尽可能快出结果，目前 PCM 数据是流式发送的，基本上 300ms 内出