具身小站

【代码】从零本地部署使用Qwen3-coder进行编程。

Paraformer模型结构如上图所示，由 Encoder、Predictor、Sampler、Decoder 与 Loss function 五部分组成。Paraformer是达摩院语音团队提出的一种高效的非自回归端到端语音识别框架，项目为Paraformer中文通用语音识别模型，采用工业级数万小时的标注音频进行模型训练，保证了模型的通用识别效果。模型可以被应用于语音输入法、语音导航、智能会议纪要等场景。

FunASR 是达摩院开源的综合性语音处理工具包，提供语音识别（ASR）、语音活动检测（VAD）、标点恢复（PUNC）等全流程功能，支持多种主流模型（如 Paraformer、Whisper、SenseVoice）的推理、微调和部署。

客户端和服务端代码框架跟上一篇一致，仅增加了ssl的证书部分用于加密通信，明文通信（ws协议）见上一篇。

【代码】语音控制车辆运动功能集成教程。

【代码】语音控制设备的仿真/语音调试。

对话机器人，按照下面在设备端部署模型的方式实现，只需要具备基本的语音滤波处理及功放播放即可，那么设备的配置要求就低了。

开源库，使用websocket跟微软在线模型。

【代码】机器人语音对话模块。

当前模板默认带了四类问题：搜索产品信息、客户抱怨、闲聊、咨询，分别配置大模型，尤其关于产品信息的配置，除了大模型还需要配置对应知识库。

在RAGFlow配置文件（如config.yaml）中，确保Ollama的访问地址为宿主机IP（如http://<宿主机IP>:11434），而非127.0.0.1或localhost，如果Docker设置了http_proxy或https_proxy，可能导致容器无法访问宿主机服务，删除代理配置后重启Docker。修改系统环境变量或Ollama服务配置文件，添加OLLAMA_HOST=0.0.0.0，然后重启服务。确保宿主机的防火墙或云服务器安全组允许外部访问11434端口。若返回模型列表，则配置成功。

本地Deepseek大模型构建个人知识库（Ragflow）

RAG（Retrieval-Augmented Generation）即检索增强生成，是一种结合信息检索与大型语言模型（大模型）的技术。RAGFlow是一个基于深度文档理解的开源RAG引擎。它为任何规模的企业提供了一个简化的RAG工作流程，结合LLM（大型语言模型）提供真实的问答功能，并得到各种复杂格式数据的充分引用。：使用向量数据库和近似最近邻（ANN）算法快速定位与查询相关的文本片段。：大模型 基于融合后的上下文生成最终答案，减少“幻觉”现象。：将检索到的信息处理后与原始查询结合，形成扩展的上下文。

根据自己电脑配置和应用需求选择不同模型，配置不足会导致运行时候卡顿。