SPARK：一个开源的语音驱动AI助手，让本地LLM交互更具沉浸感

SPARK是一款基于Python构建的语音驱动AI助手，集成了实时语音识别、大语言模型推理和文本转语音功能，配合动态可视化球体GUI，为用户提供沉浸式的语音交互体验。

SPARK的诞生源于对现有AI助手交互方式的反思。当前市场上的AI助手要么依赖文字输入，要么虽然支持语音但缺乏视觉反馈，用户很难直观感知AI的"思考状态"。SPARK的设计目标很明确：打造一个能够听、想、说、看的全方位语音AI助手。

项目的核心设计理念体现在其独特的可视化球体（Orb）界面上。这个球体会根据AI的不同状态实时变化：当监听用户语音时呈现蓝色脉动，思考时转为紫色旋转，回答时则形态变化。这种设计让用户能够直观地感知AI的工作状态，大大增强了交互的沉浸感。

SPARK的技术栈选择和架构设计体现了现代AI应用的最佳实践。整个系统采用模块化设计，主要分为以下几个核心组件：

基于Google Speech Recognition API实现连续语音识别。该模块以独立线程运行，持续监听麦克风输入，一旦检测到语音输入就会触发后续处理流程。这种设计确保了助手能够随时响应用户的唤醒和指令。

这是SPARK的"大脑中枢"。利用Cohere AI的分类能力，系统能够智能判断用户查询的意图类型，并将其路由到相应的处理模块。这种设计避免了单一模型处理所有任务的局限性，让每个模块专注于自己擅长的领域。

根据分类结果，查询会被路由到三个主要处理模块之一：

• General模块：基于Groq平台的LLaMA 3.3 70B模型处理日常对话，并维护对话记忆，让交互更具连贯性
• Realtime模块：结合DuckDuckGo搜索和Groq模型，为需要实时信息的问题提供最新答案
• Automation模块：执行系统级操作，如打开应用、截屏、在记事本中写入内容等

采用ElevenLabs的文本转语音技术，将AI的回复转化为自然流畅的语音输出。相比传统的TTS方案，ElevenLabs能够生成更具情感色彩和真实感的语音。

基于Flask-SocketIO构建的实时Web界面，通过WebSocket与后端保持双向通信，实现球体状态的实时更新。