7 月 26 日，她從 Railway 搬回家，在一台 Mac 上用 launchd 常駐。資料都在本機，也終於能碰到麥克風和喇叭。接下來一個月，她長出了耳朵、嘴巴和臉：v1.1.0 是語音和 Mac 桌寵，v1.2.0 是第二個殼 iPhone app。

搬回家了。

語音管線

1
2
3

麥克風 → VAD（判斷你講完沒）→ whisper.cpp 本機轉文字
      → 分流器 → 主腦（同一個小黃、同一份記憶）
      → TTS 逐句串流合成 → 喇叭

• 聲音不上傳：辨識在本機跑 whisper.cpp。
• 喚醒詞：喊「小黃」或「Zoe」就開始聽。喚醒用 small 模型，指令用 large-v3-turbo。tiny 太不穩，同一段錄音每次解出來都不一樣。
• VAD 門檻：拿五段真實錄音掃六個門檻，定在 0.1，靜音判斷從 500ms 拉到 900ms。我一度推薦 0.15，結果門檻調高會吃掉你的字。
• 追問視窗：她回完後短時間內可以直接接著講，不用每輪重喊名字。

延遲：從 27 秒到 7 秒

第一版語音，「你講完到她開口」要 24 到 27 秒，根本沒辦法對話。量時序 log 才找到真兇：

分流器想了 418 個字，然後輸出 7 個字。

分流器只需要輸出一個角色代號，prompt 也寫了「不要解釋」，但 cli 路徑從來沒關過 extended thinking，SDK 預設開著。主腦也一樣，為了「介紹一下自己」想了 409 字，你最後只聽得到 60 到 90 個字。

最終成果：

四件有效的改動裡，三件是量出來的。我自己想的三個方向，全部被數字打掉。

最重要的一課：能力優先於速度

關掉分流器的思考後，真機三題立刻錯兩題。「你喜歡看 Spider-Man 嗎」被分到個股分析，她戴著分析師的帽子聊電影。

原來思考本來在幫兩個洞擦屁股：

1. 分類器全程看不到上下文：history 一路傳進去，卻沒被用上。
2. prompt 只有規則，沒有例子也沒有反例。小模型看到專有名詞就往股票猜。

把最近 4 則前文餵給分類器，補上「作品名、人名不是標的」等反例之後，又快又準。這件事變成專案寫在 CLAUDE.md 裡的紅線：

「變慢」使用者可以接受，「她變得很奇怪」不行。

純浪費的開銷儘管砍；會動到她能力的（拿掉工具、砍上下文、換小模型、關思考），就算非動不可，也要留 env 旋鈕能切回來、真機驗證沒退步，並想清楚原本那個開銷在補什麼洞。

一個美麗的意外

ElevenLabs 的 eleven_v3 看到 *laughs* 這種動作描述，剝掉星號後她會真的笑出來，而不是把那個字念出來。這件事記在備忘裡，標註「別順手修掉」。

launchd 拿不到麥克風，所以她有了臉

常駐的行程由 launchd 啟動，在 macOS 上沒有麥克風權限：授權綁在執行檔上、叫不出授權視窗、python 也沒有用途說明。

解法是做一個 Mac 桌寵 app（Swift）：桌面上一張圓臉，顯示她在想、在聽還是在講話，點她就能打字。它同時也是她的麥克風和喇叭（VOICE_AUDIO=app）。腦還在常駐行程裡，殼只負責耳朵和嘴巴。「同一顆腦，耳朵長在殼上」這個架構，後來長成了 iPhone 和 Stack-chan。

第二個殼：iPhone（v1.2.0）

手機只是另一個殼，鎖屏放口袋裡喊一聲她就醒。順手幫殼和腦之間的通道加上共享密鑰。這段的坑：

• iPhone 必須戴耳機用：內建麥克風在手拿距離下，連續人聲偵測到 0ms，戴耳機是 2190ms。能量式 VAD 救不回來。
• 模擬器測語音沒聲音：Mac 的預設輸入被藍牙耳機佔著，用的是 16kHz 的通話模式，剛好是她要的取樣率，所以格式檢查完全沒發現異狀。
• 播完長回覆就開不了錄音：PortAudio 回 -9986，退避重試 33 次全失敗。

（iPhone app 後來因為沒在用，在 v2.0.0 封存了。）

下一篇：她從投資 bot，變成一個有專業的人。