App AI Assistant يشغّل مساعدًا صوتيًا على الكمبيوتر محليًا بنسبة 100%

كثيرًا ما يبدو المساعد الصوتي المحلي جيدًا على المخطط فقط. أما عمليًا فيجد المطوّر نفسه أمام تشابك من التعرف على الكلام ونموذج محلي وتركيب صوتي وطوابير صوت ومنطق مقاطعة. يحاول App AI Assistant تحويل هذا التشابك إلى منتج مكتبي يعمل فعليًا: يتحدث المستخدم، فيتعرف النظام على العبارة، وتُعدّ Gemma 3 المحلية الرد، ويبدأ Silero بقراءته على دفعات، وعند صدور نداء جديد يتوقف التشغيل.

يعمل المشروع دون واجهات برمجة سحابية ومنشور بترخيص MIT. وهذا يجعله مفيدًا لا بوصفه «جارفيس» جاهزًا فحسب، بل أيضًا مثالًا هندسيًا: يمكن تشغيل أجزائه بشكل مستقل وربطها بتطبيقات مكتوبة بلغات Python وC# وJava وJavaScript وGo.

كيف صُمم المسار الصوتي

قسّم المؤلف النظام إلى منسّق رسومي وثلاث خدمات: srv_stt للتعرف على الكلام، وsrv_llm لتوليد الرد، وsrv_tts لتركيب الكلام. تتبادل هذه الخدمات البيانات عبر HTTP وWebSocket. يتيح هذا النهج تغيير الواجهة أو استخدام المكوّن المطلوب فقط دون إعادة كتابة المساعد بالكامل.

يقوم التعرف على الكلام على الجمع بين Vosk وFaster-Whisper. يلتقط Vosk بسرعة بداية جملة جديدة ويساعد في تنفيذ barge-in، أي مقاطعة المساعد بالصوت. بعد ذلك يُنتج Faster-Whisper نصًا نهائيًا أدق. وتولّد Gemma 3 الرد عبر llama-cpp-python، بينما يحوّل Silero النص إلى كلام. وقبل التركيب تقوم طبقة مستقلة بتطبيع الأرقام والاختصارات التي كثيرًا ما تخطئ فيها المحركات الصوتية.

وفي مثال بسيط: يطلب المستخدم فتح مجلد العمل. تمرّر وحدة التعرف النص إلى المنسّق، ويختار النموذج سيناريو مُعدًّا مسبقًا، فيشغّل المساعد سكربت Python المناسب. وإذا نطق المستخدم أمرًا آخر فورًا، يرصد Vosk الكلام ويتوقف التشغيل وتبدأ دورة جديدة. ويمكن حفظ ملخص موجز للحوارات السابقة بين الجلسات.

لماذا فُصلت الخدمات

يتوفر كل مكوّن كخادم HTTP مستقل. يستطيع مطوّر تطبيق C# تشغيل srv_stt وsrv_tts فقط لإضافة واجهة صوتية. ويمكن لتطبيق Java التعامل مع srv_llm بوصفه واجهة برمجية محلية. وهذا أكثر عملية من التكامل المتجانس، حيث يؤثر استبدال نموذج أو محرك تعرف في المنتج كله.

أعدّ المؤلف للتثبيت معالجًا مخصصًا. يحمّل نسخًا محمولة من Python وGit، ويتحقق من الملفات عبر SHA-256، وينشئ بيئات افتراضية، ويثبّت الاعتماديات، ويبني الملفات التنفيذية عبر PyInstaller. ولا يُستخدم Docker عن قصد: فالجمهور المستهدف هم أصحاب حواسيب Windows العادية، وسيشكّل WSL2 والمحاكاة الافتراضية وDocker Desktop عائقًا إضافيًا لهم.

ويضم الحزمة أيضًا infrastructure2، وهي مجموعة مشتركة من الوحدات للتسجيل وعملاء HTTP والإعدادات وإدارة العمليات ونقل البيانات المتدفق وبناء الملفات التنفيذية. لم يعد هذا جزءًا إلزاميًا من المساعد الصوتي، لكن المستودع يُظهر كيف يقلّل المؤلف التكرار بين عدة مشاريع Python.

القيود والخلاصة العملية

المشروع موجَّه حاليًا إلى Windows 10 و11 فقط. ودعم النماذج مرتبط بقالب Gemma، كما أن إلغاء الصدى لم يكتمل. لذلك قد يعود صوت السماعات إلى الميكروفون ويُفهم ككلام جديد؛ وينصح المؤلف باستخدام سماعات الرأس. كما أن مستودع infrastructure2 ما زال ضعيف التوثيق.

ينبغي للمطورين النظر إلى App AI Assistant لا بوصفه بديلًا شاملًا للمساعدات السحابية، بل منصة اختبار جاهزة لواجهة صوتية محلية. وتكمن قوته في مسار شفاف من مكونات متاحة وإمكانية أخذ STT أو TTS أو LLM فقط. وقبل الاعتماد عليه من المهم فحص زمن الاستجابة واستهلاك الذاكرة على الجهاز المستهدف، ودراسة الأوامر الصوتية المسموح بها، وعزل تشغيل السكربتات المخصصة. فالعمل المحلي يحمي المحادثات من الإرسال إلى السحابة، لكنه وحده لا يجعل تنفيذ الأوامر آمنًا.