workbuddy 依赖外部 voicebox 服务实现客服录音转写，通过 mcp 协议打通“录音输入→voicebox 识别→任务执行”链路，支持拖拽上传、自然语言指令触发、双角色区分与结果编辑优化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
WorkBuddy 本身不内置语音识别模型，它依赖外部语音能力模块（如 Voicebox）来完成客服录音的转文字任务。识别客服录音的关键不在 WorkBuddy 界面点选某个“语音模型”，而在于打通录音输入 → Voicebox 语音识别服务 → WorkBuddy 任务执行这一链路。以下是清晰、可落地的操作步骤：
WorkBuddy Visio — Visio 兼容架构图生成器
下载
使用 draw.io（.drawio 格式）和 SVG 生成兼容 Microsoft Visio 的架构图。当用户需要以下任一场景时触发： - 用于 Visio 或技术文档的架构/系统/网络图 - 带连接标注的分层控制系统图 - 将 draw.io XML 转换为稳定、可嵌入的 SVG - 修复 Visio 或 draw.io 无法打开的故障排查类图表 - 任何需专业级布局且文本可编辑的图表
一、确认基础环境已就绪
- WorkBuddy 桌面端已安装并登录（支持 Windows/macOS，需联网）；
- 本地已部署 Voicebox 服务（不是下载一个模型文件，而是运行一个 Python 服务进程）；
- Voicebox 配置中已指定支持中文客服场景的 STT 引擎（例如 Whisper.cpp、FunASR 或 VAD+Whisper 组合），且模型权重已下载到本地路径；
- WorkBuddy 的 MCP 连接器已启用，并指向你本机运行的 Voicebox 地址（默认
http://127.0.0.1:8000）。
二、上传客服录音文件
- 支持格式：MP3、WAV、M4A、FLAC（推荐 WAV 无损格式，识别更稳）；
- 单文件建议 ≤ 200MB，时长建议 ≤ 2 小时（超长录音建议分段）；
- 在 WorkBuddy 对话区直接拖入音频文件，或点击「+」→「上传文件」选择录音；
- 上传后，WorkBuddy 会自动识别为语音类输入，并准备调用 Voicebox。
三、触发语音转写任务
- 上传完成后，在对话框输入自然语言指令，例如：
- “把这段客服录音转成文字，保留说话人区分”
- “提取录音中客户提出的所有问题，按条列出来”
- “总结这段售后通话的核心诉求和处理结果”
- 不需要手动选择“模型”或“语种”——WorkBuddy 会根据音频内容自动判断为中文，并通过 MCP 协议将请求转发给 Voicebox；
- Voicebox 接收后，调用你配置好的 STT 引擎进行识别（如使用 FunASR，会自动启用 VAD 切分+标点恢复+角色分离）。
四、查看与优化识别结果
- 转写完成后，文字稿直接显示在结果区，支持：
- 时间戳对齐（可点击某句跳转对应音频位置）；
- 自动区分“客服”“客户”双角色（需录音声道分离或语音活动检测准确）；
- 关键信息高亮（如手机号、订单号、投诉关键词等，由 WorkBuddy 后续 NLP 模块提取）；
- 若识别有误（如专有名词、方言、背景噪音干扰），可在结果区直接编辑修正，WorkBuddy 会记忆该术语，后续类似发音识别准确率提升。
整个过程无需打开命令行、不需写代码、不涉及模型参数调整。真正起作用的是 Voicebox 的协议桥接能力和 WorkBuddy 的上下文理解力——它把“听录音”这件事，变成了和打字提问一样自然的操作。
