做个小工具用说话的方式让 Mac 执行操作。比如「帮我在 YouTube 搜个 Python 教程」，它会自己打开浏览器、找到搜索框、输入、点击，不用你一步步告诉它怎么做。 原理是让大模型看屏幕截图（默认是 OCR/还有一些其他模型支持），然后决定下一步操作。做错了会自己调整。
挂个链接： https://www.bilibili.com/video/BV1NVBbBDE5K/?vd_source=c91cfe290c1aabe743bd9b89791e23cf
 | 1 zzboat0422 2 天前 请问这个语音文字互转是怎么实现的啊？有现成的框架吗？ |
 | 2 jorneyr 2 天前 @zzboat0422 非常多的 api 可以使用，例如微软的 Azure Speech Service （ Speech to Text ），然后匹配关键词，映射操作（可以使用 Apple Script 执行操作）。 |
 | 3 prefect 2 天前 都别吵，影响到我用坚果 TNT 了 |
 | 4 Mark24 2 天前 TNT 棺材板要压不住了 |
Select Language