桌面助手如何区分停止播报与取消任务
开源桌面助手 Ankita AI 仅在整句语音命中控制短语时执行控制,无需调用任务规划器。停止播报与取消后台任务是独立操作,普通句子里出现控制词也不会触发中断。
AI 深度解读
对桌面 AI 助手说一句「stop」,你可能只是想让它闭嘴,手头的任务还得继续跑。Ankita AI 的作者 Krish Verma 把这个区别写进了代码:只有整句转写命中预设短语,才会触发语音控制,整个判断过程调用规划器 0 次。
这套做法解决了两个容易混在一起的问题:怎么判断用户在发控制指令,以及指令能改动哪些状态。前者决定「stop by the store」会不会误打断播报,后者决定一句「cancel」会不会误取消工作。
为什么听见「stop」还不够
desktop/shared/voice.mjs 里的 voiceCommand() 按固定顺序查三组短语。先查 VOICE_END_PHRASES,exit、end voice、goodbye 等 9 个短语用于结束语音会话。再查 VOICE_STOP_PHRASES,共 7 个整句匹配的停止短语:stop、stop it、stop that、cancel、cancel that、never mind 和 nevermind。最后查 LOCAL_CONTROL_PHRASES,把 18 个短语映射到继续、重播、跳过报告、停止播报和暂停麦克风这 5 种动作。待机监听只认一个小写唤醒词 ankita。
整句匹配的价值在于,控制词即使出现在转写里,也得占据整句才算数。stop by the store on the way home 包含 stop,仍然会进入普通请求流程。Pause Spotify 也会交给规划器,因为它指向的是 Spotify。还有一层判断发生在匹配之后:单独说 continue 虽然能命中短语,但当前没有可继续的内容时,照样交给规划器。
代价同样明确。礼貌一点的 could you stop talking please 超出了短语表,用户可能得再说一遍。当前词表只有英语,其他语言和未命中的表达都会走普通规划流程。
停止播报和取消任务是两条路径
VOICE_SPEECH_ACTIONS 把语音控制和任务操作分开。desktop/electron/voice-actions.mjs 校验动作载荷的结构和取值范围,管理音频的一侧还会核对会话、发起打断的轮次以及报告是否存在。检查通过后,语音动作才会生效。即使用户说的是 cancel,触发的语音控制也不会取消任务或批准待确认的工作。
暂停时还得考虑用户回来会看到什么。临时暂停麦克风会保留未读完的报告,用户可以点击 Resume microphone 恢复。被挂起的播报优先于其他排队报告,避免后来入队的报告把 Continue 按钮挤掉。面板也分别提供 Stop speaking、Continue、Repeat 和 Skip report,让用户能直接操作当前播报。
音频路径仍有限制。按作者的描述,扬声器播放时无法靠口头指令打断,界面会分别提示扬声器回退和耳机打断的情况。麦克风暂停后也收不到口头的 resume,恢复入口是面板上的按钮。文中说的「本地」指控制决策调用规划器 0 次。说出口的话仍要等转写服务,新的语音状态播报也仍需语音合成。状态查询则直接读取语音任务和结果。
124 项测试覆盖了哪些行为
作者报告,语音命令、状态、引擎、UI、报告控制和播报队列相关的专项回归测试通过了 124/124 项。渲染层和服务之间的往返测试通过 3/3 项,用到了真实 React 组件、注入的麦克风和语音合成、磁盘上的任务回执以及实际播报队列。
其中一项集成测试记录了整个过程:原始任务发起 1 次规划请求,随后在它生成的真实报告上执行停止、继续、跳过和重播,新增规划调用为 0,任务取消次数也是 0。另一组检查在实现前是 1 项通过、3 项失败,实现后变成 4/4 通过。待播报告挡住 Continue 的问题也曾被回归测试复现,直到挂起报告获得优先级才通过。类型检查退出码为 0,空白字符检查通过。
作者在验证文档里给这次改动打了 92/100,并说明了扣分依据。实物麦克风和耳机、打包后的桌面应用、全仓测试套件都没有验证。这个分数是作者对验证覆盖的判断,文中也没有给出真实设备上的端到端响应时间。
我的判断
我最认同的是把副作用限制在播报层。短语表处理的是「这句话要不要接管」,权限边界处理的是「接管后能做什么」。哪怕转写偶尔把一句话错识别成 stop,影响也被限制在播报这边。对于挂着长任务的桌面助手,这条边界比多认几种说法更重要。
整句匹配也有使用前提。用户需要知道有哪些指令,播报期间还得有办法把话送进系统。和子串匹配相比,整句规则容易审查,也容易写回归测试,但会漏掉礼貌句式和其他语言。让模型理解更多说法可以扩大覆盖,也会给这条控制路径增加一次调用。原文没有对照数据来比较这些做法的误触发率和漏识别率。作者对两类错误成本的排序是工程经验,现有测试验证的是这套规则实现后的行为。
能拿来做什么
- 给 Electron 或 React 助手做播报控制时,可以把整句短语表放在规划器入口前。用
stop by the store、Pause Spotify和无报告时的continue验证普通请求仍能进入原有流程。 - 在 Node 或 Electron 的动作处理层,把停止播报和取消任务设计成独立动作。写集成测试时同时断言播报状态、任务状态和规划器调用次数,确保一句停止指令的影响范围符合预期。
- 如果界面支持暂停麦克风,就提供可点击的恢复入口。给播报队列加一条回归用例,检查后台有新报告入队时,用户仍能继续刚才听到一半的报告。