躺在沙发上追剧，屏幕那头有人说了句关键台词，你没听清。笔记本在房间另一头，遥控器不存在——因为那是台笔记本。有人干脆自己动手做了一个。
这个项目叫 Couch Commander（沙发指挥官）。喊一声“Hey Jarvis”，屏幕角落弹出一只像素树懒，然后你按平时说话的方式下指令：
- “abeg go back small” → 回退 15 秒
- “I no hear wetin she talk” → 回退 10 秒
- “make am louder” → 调高音量
- “skip this one” → 下一个视频
它控制的是 Mac 上 Chrome 里的 YouTube。没有遥控器，没有键盘，也不用起身。所有处理都在笔记本本地完成：不联网、不登录账号、不需要 API 密钥。
五个开源组件串成一条链
整个系统由五个开源部件拼起来，各管一段。最核心的一环是“大脑”：Gemma 拿到一句话，必须返回严格 JSON，只能从固定命令列表里选一个，或者返回 none：
{"command": "rewind", "value": 15}
作者把温度设为 0，用了 Ollama 的 JSON 模式，还在提示词里加了尼日利亚洋泾浜英语（Pidgin）的示例。如果返回不合法，就回退到 none。这条规则被作者称为整个项目里最重要的一条——无缘无故暂停你的电影，比什么都不做更糟。
30 条短语测出两个意外
作者用两个本地模型测了 30 条短语，其中 22 条是模型没见过的示例，包括现场编的洋泾浜说法（“carry am go front small”、“I wan hear am well well”）。
第一个意外：思考模式拖慢了速度。Gemma 4 首次运行平均每条命令 1489 毫秒，关掉思考（“think”: false）后降到约 190 毫秒，快了 8 倍，准确率没有下降。对遥控器来说，没人需要模型去推理，只需要它回答。
第二个意外：模型怎么失败，比失败多少次更重要。Gemma 4 的两次失误都返回了 none，也就是干脆不动。Gemma 3 的失误则是执行了动作：说“tell me a joke”时它暂停了视频，说“make we go back two minutes”时它反而前进了两分钟。这就是一个会留下的工具和一个会被卸载的工具之间的差别。
踩过的坑
作者最初从 Apple TV 应用入手，AppleScript 模拟按键到不了播放器，于是换到 Chrome 里的 YouTube，可以直接在元素上跑 JavaScript，可靠得多。前提是在 Chrome 里打开“显示 → 开发者 → 允许来自 Apple Events 的 JavaScript”。
Whisper 一度把指令转写成空字符串或“if you do”。原因是音频是原始 16 位数值，而 Whisper 要的是 -1 到 1 之间的浮点数，一行代码就修好了。
大部分延迟其实跟 AI 无关，而是一个固定的 4 秒录音窗口。唤醒词耗时 0.13 秒，Whisper 0.3 秒，Gemma 0.25 秒，剩下全在等计时器。换成语音活动检测后，这个问题解决了。
为什么坚持全本地
理由很直接：这东西的麦克风一直开着，就在客厅里。如果用闭源 API，每喊一声“Hey Jarvis”，家里的音频就会被送到别人的服务器上。作者说自己不会用那样的东西，也不会推荐别人用。在这里，音频从不离开这台 Mac，拔掉路由器它照样工作。
开源模型还让作者能测量和替换：同一批 30 条短语跑两个模型，比较准确率和速度，再关掉一个拖慢速度的功能——8 倍提速就是这么找到的。换成闭源 API，延迟是多少就只能接受多少。而且运行不花钱，让笔记本回退一段视频，没有按次计费的账单。
实际体验的诚实版本：几米之内效果最好。离得远、房间吵，笔记本麦克风就吃力；对小型 Whisper 模型来说，洋泾浜英语比标准英语更难。作者的下一步是用 AirPods 当麦克风，因为它就在嘴边。但核心闭环已经跑通：喊一声，树懒弹出，说“abeg go back small”，视频回退，人没动。
项目基于 openWakeWord、webrtcvad、Whisper、Gemma 4 和 Ollama 构建，MIT 协议开源，那只树懒是为项目原创的像素画。
热门跟贴