就是后台监听语音输入和输出,然后也能类似现有 cc 这种能力(mcp/skill 之类的)
这听起来没有技术难度啊，接入个 ASR 语音识别模型就是了
@Hansah 不过确实好像没有现成成熟的库,而目前有一些带有"通话"功能的比如豆包/千问(貌似国外的 chatgpt 只是一个语音输入,而不是持续的交互)又只是个 chat