Dicio-android v3.0 版本发布:外部STT支持与功能增强
2025-07-08 01:09:40作者:邵娇湘
项目简介
Dicio-android 是一款开源的语音助手应用,它通过本地化的语音识别和自然语言处理技术,为用户提供隐私友好的智能交互体验。与依赖云服务的语音助手不同,Dicio-android 强调在设备端完成语音处理,保护用户隐私的同时提供实用的功能。
v3.0 版本主要更新
1. 外部语音识别(STT)支持
本次更新的核心功能是增加了对外部语音识别应用的支持。开发者通过实现 ACTION_RECOGNIZE_SPEECH 意图的接收,使得用户可以选择更准确的第三方STT引擎替代内置的Vosk识别。这一改进特别适合以下场景:
- 内置识别准确率不足时
- 需要支持更多语言识别
- 希望使用更先进的识别技术(如Whisper模型)
技术实现上,应用会检测系统中能处理语音识别意图的所有应用,用户可在设置中选择偏好应用。当语音输入时,系统会启动所选应用的识别界面,结果返回后继续后续处理流程。
2. 自定义唤醒词模型
针对OpenWakeWord引擎增加了自定义唤醒词模型导入功能。用户现在可以:
- 下载预训练的.tflite模型文件
- 通过应用界面导入自定义模型
- 使用更适合个人发音习惯的唤醒词
这项改进解决了部分用户发音与预设"Hey Dicio"不匹配的问题,同时也为技术爱好者提供了训练个性化唤醒词的可能性。
3. 媒体控制技能
新增的媒体控制功能目前支持英语、法语和意大利语,实现了基本的播放控制操作。该功能通过解析用户语音指令,转化为标准的媒体控制命令,与系统媒体会话交互。
4. 交互体验优化
版本包含多项体验改进:
- 无语音输入时播放提示音
- 识别失败后自动重试机制
- 天气信息响应精简和英制单位支持
- 计算器功能的语句匹配优化
- 修复语言设置不一致等稳定性问题
技术架构演进
v3.0版本将目标SDK升级至36,保持了与现代Android系统的兼容性。在语音处理流程上,应用现在支持更灵活的架构:
- 输入层:内置Vosk或外部STT应用
- 唤醒检测:OpenWakeWord(支持自定义模型)
- 意图识别:改进的语句匹配算法
- 技能执行:新增媒体控制等扩展功能
这种模块化设计使得各个组件可以独立改进和替换,为未来的功能扩展奠定了基础。
开发者视角
从实现角度看,值得注意的技术点包括:
- 意图处理机制的强化,特别是与外部应用的交互
- 模型文件导入的安全检查和兼容性处理
- 语音处理状态机的改进,增加重试等容错逻辑
- 多语言资源的结构优化,支持新功能的快速本地化
总结
Dicio-android v3.0通过引入外部STT支持和自定义唤醒词等特性,显著提升了语音识别的准确性和灵活性。同时,新增的媒体控制功能和多项交互优化使这个隐私优先的语音助手更加实用。这些改进展示了开源社区协作的力量,也为后续发展开辟了更多可能性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514

openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58