Conversational Actions停服后，如何将智能音箱/显示屏转录语音发至服务器？

针对你需要在谷歌智能音箱/显示屏上自行完成全流程语音解析、处理及响应的需求，目前有以下可行途径：

• 开源离线语音工具链部署
  • 语音转文字（ASR）：采用Vosk、Whisper.cpp这类轻量开源模型，可直接部署在设备硬件上，实现离线语音识别。
  • 意图处理与逻辑执行：使用Rasa的本地部署版本，或自定义规则引擎完成意图解析和业务逻辑处理；也可导出Dialogflow CX的模型到本地运行。
  • 文字转语音（TTS）：通过eSpeak-NG、Coqui TTS的离线模型生成语音响应，全程无需依赖云端服务。
• 第三方固件改造
  部分谷歌智能音箱/显示屏有社区开发的第三方固件（基于Linux定制），刷入后可绕过官方服务，直接对接本地语音处理栈，实现完全自主的语音交互流程。
• Local Home SDK结合本地服务
  利用谷歌Assistant的Local Home SDK，将语音指令转发到本地服务器（如Home Assistant）进行处理，再通过SDK将响应返回给设备。这种方式虽保留Assistant唤醒，但核心逻辑可在本地完成，一定程度上替代Conversational Actions的自定义能力。

Conversational Actions的停服确实大幅限制了谷歌智能设备的自定义交互深度，若官方无后续调整，上述方案是当前实现本地全流程语音处理的主要方向。

内容的提问来源于stack exchange，提问作者mrceolla