我让WPS桌宠听懂了我的话

大家好，我是墨云轩。

WPS 灵犀的桌宠"金小萌"，很多朋友都见过：屏幕角落里一只白色小可爱，会跑会跳，偶尔卖个萌。但看得久了，我心里冒出一个念头——它能不能听懂我说话？我说"向左跑"，它就向左跑；我说"投喂"，它就开心吃东西；我问"今天天气怎么样"，它还能张嘴回答。

这篇文章记录整个过程。比预想的曲折得多：程序写好了，它却时而灵、时而装死，最后一查，凶手居然藏在最想不到的地方。

一、先问一个问题：桌宠有没有"耳朵"？

拿到想法，我没有急着写代码，而是先列了三套方案：

1. 探测隐藏接口
   ——看看官方有没有留下控制入口；
2. 自研一只语音桌宠
   ——完全自己画，但少了"官方那只"的灵气；
3. 模拟鼠标点击
   ——让它看起来像在动，但脆弱得一塌糊涂。

先走第一条路，结果挖到了宝：桌宠进程在本机悄悄开了一个 MCP 服务（端口写在配置文件里，还带鉴权），里面有 notify、command_send这类接口。换句话说，官方其实留了一扇门。

踩坑一：我一开始想走"捷径"，直接往桌宠的数据文件里塞消息。写是写进去了，桌宠纹丝不动。翻了日志才发现——信箱通道压根没启用，真正的通道是 MCP。绕了半天，答案一直在门上写着。

二、给它装上"耳朵"：离线语音识别

控制通道打通后，就差"听"了。我选了 Vosk 离线语音识别（中文小模型，约 44MB）：不用联网、不花钱、不吃配置，机房的老电脑也能跑。

识别之后是"听得懂"，我把指令分成三层：

• 动作层
  ：「向左跑」「跳个舞」「投喂」→ 直接让金小萌动起来；
• 问答层
  ：「现在几点了」「今天天气怎么样」→ 本地回答，气泡+语音朗读；
• 灵犀层
  ：「小萌问一下，帮我……」→ 转投灵犀对话框，让大模型干活。

这里踩了两个经典坑，一并记录：

踩坑二：Vosk 不支持中文路径。模型放在 E:\灵犀\下死活加载不出来，报错说"文件夹里没有模型文件"——报错和真实原因完全对不上。挪到纯英文目录，秒过。

踩坑三：日志里的表情符号会崩程序。输出重定向到文件后，Python 默认用 GBK 编码写日志，一句"✅ 就绪"直接把程序送走。解法：程序开头加 sys.stdout.reconfigure(encoding="utf-8")，一劳永逸。

三、最费心思的：让短句"听得准"

跑通之后新问题来了：「向左跑」「投喂」这几个短词识别率忽高忽低，「现在几点了」被听成「吗问一下现在避免了」。

另一个暗坑：程序朗读回答时，麦克风会"自听"，把回答又识别一遍，陷入复读机循环。修法是三重保险——朗读期间暂停采集、朗读结束后再静默一秒等尾音播完、同一句话 8 秒内不重复回答。

四、真正的悬疑片：它为什么"装死"？

以上都搞定后，程序进入正式服役。然后诡异的事情发生了：它经常无声无息地消失。没有任何报错，没有任何崩溃日志，前一分钟还在好好识别，下一分钟进程就没了。

我做了能想到的所有检查：程序没有重启逻辑、事件日志里没有崩溃记录、换启动方式没用、多开实例互相顶掉……最后做了个对照实验才锁定嫌疑人——电脑里的安全软件"主动防御"。

它把"用户目录下运行的 Python 脚本 + 录音 + 联网"这个组合判定为可疑行为，直接终止进程：不弹窗、不记录、不商量。

还有一个隐蔽的坑：电脑重启后，麦克风端点编号会变——原来写死的"麦克风 1"重启用就变成了空通道，录到的全是静音。解法是启动时自动探测：把每个麦克风都试录两秒，算音量，谁响用谁。

五、最终效果

整套程序开机自启、日志可查。现在每天开电脑，它听我指挥跑来跑去——生产力谈不上，但真的很解压。

写在最后

回看整个折腾过程，其实就四句话：

1. 先找官方留的门，别硬撬锁
   ——探测永远排第一；
2. 识别不准就分层兜底
   ——语法限定、开放兜底、拼音容错层层接住；
3. 报错信息不一定说真话
   ——"找不到模型"可能是路径问题，"没有日志"可能是因为它死得悄无声息；
4. 程序"装死"，先怀疑安全软件
   ——白名单是本机自动化绕不开的一课。

这次探索让我对"AI Agent 操作本机软件"有了实感：不是科幻，就是一层层排查、试错、拼起来的工程活。

简单试了试，有时还不太灵光！

我是墨云轩，热衷分享办公小技巧，边学习，边分享，每天进步一点点。