1. 项目概述当行空板遇上AI语音对话最近在捣鼓行空板这块国产的单板计算机性能不错接口也丰富一直想给它找个“能说会道”的AI大脑。正好OpenAI的ChatGPT API和微软的Azure Speech服务都提供了非常成熟的接口一个负责思考一个负责听说。把它们俩整合到行空板上不就能打造一个完全离线指计算过程本地化交互在线、能进行自然语音对话的智能终端了吗这个想法听起来很酷无论是做智能语音助手、教育机器人还是交互式信息查询终端都有很大的想象空间。这个项目的核心就是让行空板这个硬件“活”起来。它不再只是一个运行Python脚本的板子而是一个能听懂你说话、思考如何回答、并用语音回应你的智能体。整个过程涉及几个关键环节通过麦克风采集音频并调用Azure Speech-to-Text语音转文本API识别成文字将文字发送给ChatGPT API获取智能回复文本最后再利用Azure Text-to-Speech文本转语音API将回复文本合成语音通过扬声器播放出来。听起来流程清晰但实操中从硬件选型、环境配置、API调用优化到异常处理每一步都有不少细节需要注意。接下来我就把自己从零搭建这个系统的完整过程、踩过的坑以及总结的经验毫无保留地分享出来。2. 核心组件选型与项目架构设计2.1 为什么是行空板、ChatGPT API与Azure Speech在开始动手之前明确每个组件的角色和选型理由至关重要。这决定了项目的可行性、成本和最终体验。行空板作为硬件载体行空板是一款基于国产芯片如全志H616设计的单板计算机预装了基于Debian的定制Linux系统。选择它首先是因为其“开箱即用”的特性。它自带屏幕、麦克风阵列、扬声器、Wi-Fi/蓝牙还有丰富的GPIO和传感器接口省去了外接声卡、音频模块的麻烦特别适合快速原型开发。其次其Python环境友好社区支持也不错对于实现我们这种网络API调用的应用非常合适。当然树莓派或其他Linux SBC也能实现但行空板的集成度更高更适合这个专注于应用层集成的项目。ChatGPT API作为“大脑”我们使用OpenAI提供的ChatGPT API通常是gpt-3.5-turbo或gpt-4模型而不是在本地部署大语言模型。原因很简单行空板的计算资源和存储空间有限本地部署动辄数十亿参数的模型几乎不可能。利用云端API我们获得了顶尖的对话能力而只需关注如何发送请求和解析响应。这里的关键是成本控制和响应延迟优化。我们需要设计合理的提示词Prompt和对话上下文管理让每次交互既高效又省钱。Azure Speech API作为“耳朵和嘴巴”语音识别和合成方面我们选择了微软Azure Cognitive Services中的Speech服务。相比其他方案Azure Speech的识别准确率尤其是中文和语音合成的自然度非常出色并且提供了稳定的REST API和SDK。它支持实时流式识别这对于实现更自然的“打断”功能很有帮助。虽然这是一项付费服务但它有免费的月度额度对于个人项目或低频使用完全足够。将语音处理交给专业的云服务比在行空板上折腾开源的Vosk或PicoTTS要可靠和高效得多。2.2 系统架构与数据流设计整个系统的运行遵循一个清晰的单向数据流闭环。理解这个架构是编写代码和调试的基础。语音输入循环行空板上的Python程序持续监听板载麦克风。当检测到有效语音例如通过音量阈值判断时开始录制一段音频如3-5秒或启动流式识别连接。语音转文本STT将录制好的音频数据通常是WAV或PCM格式通过HTTP请求发送至Azure Speech-to-Text服务的指定终端节点Endpoint。请求中需包含订阅密钥、区域信息以及音频格式参数。Azure服务识别后返回JSON格式的文本结果。对话处理程序提取识别出的文本将其与之前几轮的对话历史上下文一起构造一个符合ChatGPT API要求的消息列表Messages List。这个消息列表会被发送到OpenAI的API端点。文本生成ChatGPT模型根据上下文和当前 query 生成回复文本。程序收到回复后需要解析JSON响应提取出content字段中的纯文本回答。文本转语音TTS将ChatGPT返回的文本再次通过HTTP请求发送至Azure Text-to-Speech服务。这里需要指定语音合成的声音如zh-CN-XiaoxiaoNeural晓晓神经网络语音、语速、音调等参数。Azure服务会返回一个音频流如MP3或PCM数据。语音输出行空板上的程序接收音频流通过板载的音频驱动和扬声器播放出来完成一次完整的交互。注意这个架构是“串行”的即“听-想-说”依次进行。在实时性要求高的场景可以考虑将语音识别设为“流式”并设置端点检测VAD同时提前准备好TTS请求以减少延迟感。但作为初版串行模型更稳定易于理解和调试。3. 环境准备与核心依赖安装3.1 行空板系统基础配置拿到行空板首先确保其系统是最新的并且能正常连接网络。通过板载的屏幕和键盘或者SSH远程连接更推荐进行操作。连接网络在行空板的图形界面或使用nmcli命令连接Wi-Fi。稳定的网络是调用云端API的生命线。务必测试ping www.bing.com确保网络通畅。更新系统与Python环境行空板通常预装了Python 3。建议更新pip到最新版本。sudo apt update sudo apt upgrade -y pip3 install --upgrade pip检查音频设备确保麦克风和扬声器工作正常。可以使用arecord和aplay命令进行测试。# 录制一段3秒的测试音频 arecord -d 3 -f cd -t wav test.wav # 播放刚才录制的音频 aplay test.wav如果听到播放的声音有严重杂音或无声可能需要检查音频配置或音量设置使用alsamixer命令。3.2 获取并配置API密钥这是项目的“门票”需要从两个云服务平台获取。Azure Speech 服务访问Azure门户创建一个“Speech”资源。创建成功后在资源的“密钥和终结点”页面找到你的订阅密钥和服务区域如eastus,chinaeast2。同时记下“终结点”的URL基础部分。关键点注意你创建的资源是“全球版”还是“中国版”。两者的终结点域名不同国内网络访问中国版通常更稳定。中国版的终结点类似https://chinaeast2.api.cognitive.azure.cn/。OpenAI API访问OpenAI平台在API密钥页面创建一个新的密钥。妥善保管此密钥。OpenAI的API调用按Token数量计费务必设置使用量预算以防意外。安全存储密钥绝对不要将密钥硬编码在代码中并上传到公开仓库。推荐的做法是使用环境变量。 在行空板上可以编辑用户主目录下的.bashrc文件如果使用bashnano ~/.bashrc在文件末尾添加export AZURE_SPEECH_KEY你的Azure语音密钥 export AZURE_SPEECH_REGION你的Azure区域如chinaeast2 export OPENAI_API_KEY你的OpenAI API密钥保存后执行source ~/.bashrc使环境变量生效。在Python代码中通过os.getenv(AZURE_SPEECH_KEY)来读取。3.3 安装必要的Python库我们将使用几个关键的Python库来简化开发pip3 install openai pip3 install azure-cognitiveservices-speech pip3 install pyaudio # 用于音频采集和播放 pip3 install soundfile # 用于处理音频文件openai: OpenAI官方的Python SDK方便调用ChatGPT API。azure-cognitiveservices-speech: 微软官方的Speech SDK功能强大支持流式识别和合成。这是最佳选择比直接调用REST API更简单。pyaudio: 跨平台的音频I/O库用于从麦克风录制和向扬声器播放。在行空板Linux上安装可能需要系统音频开发包如果安装失败可以尝试先运行sudo apt install portaudio19-dev python3-pyaudio。soundfile: 辅助读写音频文件用于调试时保存录音。4. 核心代码模块实现详解我们将系统拆分为几个功能模块逐个击破。这里会提供核心代码片段并解释其关键参数和逻辑。4.1 语音识别模块让板子“听见”我们使用Azure Speech SDK进行语音识别。这里实现一个SpeechRecognizer类它负责配置、启动识别并返回文本。import azure.cognitiveservices.speech as speechsdk import os class SpeechRecognizer: def __init__(self): # 从环境变量获取密钥和区域 self.speech_key os.getenv(AZURE_SPEECH_KEY) self.service_region os.getenv(AZURE_SPEECH_REGION) # 创建语音配置对象指定密钥和区域 # 注意如果使用中国区需要指定自定义端点示例如下 # endpoint fwss://{self.service_region}.stt.speech.azure.cn/ # speech_config speechsdk.SpeechConfig(subscriptionself.speech_key, endpointendpoint) # 全球区使用以下方式 speech_config speechsdk.SpeechConfig(subscriptionself.speech_key, regionself.service_region) # 设置识别语言为中文普通话 speech_config.speech_recognition_language zh-CN # 创建音频配置。这里使用默认麦克风。行空板板载麦克风设备名通常是‘default’ audio_config speechsdk.audio.AudioConfig(use_default_microphoneTrue) # 创建识别器对象 self.speech_recognizer speechsdk.SpeechRecognizer(speech_configspeech_config, audio_configaudio_config) def recognize_once(self): 执行一次单次识别直到检测到静音或超时 print(请说话...) result self.speech_recognizer.recognize_once() if result.reason speechsdk.ResultReason.RecognizedSpeech: recognized_text result.text print(f识别结果: {recognized_text}) return recognized_text elif result.reason speechsdk.ResultReason.NoMatch: print(未识别到语音。请确保麦克风正常环境不要太嘈杂。) return None elif result.reason speechsdk.ResultReason.Canceled: cancellation_details result.cancellation_details print(f识别被取消: {cancellation_details.reason}) if cancellation_details.reason speechsdk.CancellationReason.Error: print(f错误详情: {cancellation_details.error_details}) return None return None关键点解析recognize_once()方法这是最简单的“单句话”识别模式。它会一直监听直到检测到一段语音结束由服务端基于静音检测判断或超时。对于对话场景这通常够用。错误处理必须对ResultReason进行判断。NoMatch表示没听清Canceled可能涉及网络错误或密钥错误。详细的错误信息有助于调试。麦克风选择use_default_microphoneTrue在大多数情况下可行。如果行空板有多个音频输入设备可能需要指定具体的设备ID。可以通过Python的pyaudio库枚举设备来查找。4.2 对话处理模块与ChatGPT“交谈”这个模块负责管理对话历史构造请求并调用ChatGPT API。我们实现一个ChatGPTHandler类。import openai import os from typing import List, Dict class ChatGPTHandler: def __init__(self, model: str gpt-3.5-turbo): openai.api_key os.getenv(OPENAI_API_KEY) self.model model # 初始化对话历史。系统消息用于设定AI的角色。 self.conversation_history: List[Dict] [ {role: system, content: 你是一个运行在行空板上的智能语音助手回答要简洁、口语化适合用语音播报出来长度最好控制在两句话以内。} ] # 设置一个最大历史轮数防止上下文过长导致Token消耗过多和API响应变慢。 self.max_history_turns 5 def _trim_history(self): 修剪对话历史只保留最近的N轮对话包括系统消息 # 保留系统消息和最近 max_history_turns 轮对话 total_to_keep 1 (self.max_history_turns * 2) # 系统消息 (用户助理)*轮数 if len(self.conversation_history) total_to_keep: # 始终保留第一条系统消息 self.conversation_history [self.conversation_history[0]] self.conversation_history[-total_to_keep1:] def get_response(self, user_input: str) - str: 将用户输入加入历史调用API并返回AI回复 if not user_input or user_input.strip() : return 我没听清请再说一遍。 # 1. 将用户输入加入历史 self.conversation_history.append({role: user, content: user_input}) # 2. 修剪历史控制成本 self._trim_history() try: # 3. 调用ChatGPT API response openai.ChatCompletion.create( modelself.model, messagesself.conversation_history, max_tokens150, # 限制回复长度适合语音播报 temperature0.7, # 控制创造性。0.7比较平衡既不死板也不过于天马行空。 timeout10 # 设置超时避免网络问题导致程序长时间卡住 ) except openai.error.OpenAIError as e: # 处理API错误如网络问题、额度不足、模型过载等 error_msg f对话API调用出错{e} print(error_msg) return 我的大脑有点走神了请稍后再试。 # 4. 提取回复文本 ai_reply response.choices[0].message.content.strip() # 5. 将AI回复加入历史为下一轮对话提供上下文 self.conversation_history.append({role: assistant, content: ai_reply}) print(fAI回复: {ai_reply}) return ai_reply关键点解析系统提示词System Promptsystem消息至关重要。我们在这里定义了AI的角色和回答风格。“适合用语音播报”这个指令能引导模型生成更简短、避免复杂标点如括号注释的句子。对话历史管理维护一个conversation_history列表包含system,user,assistant三种角色的消息。每次交互后将新的user和assistant消息追加进去。这使ChatGPT能理解上下文进行连贯对话。历史修剪上下文越长消耗的Token越多API调用也越慢、越贵。_trim_history方法确保只保留最近的几轮对话。这是一个非常实用的成本控制和性能优化技巧。API参数max_tokens150限制AI回复的最大长度防止生成长篇大论适合语音输出。temperature0.7取值范围0-2。值越低如0.2回复越确定、保守值越高如1.0回复越随机、有创造性。0.7是一个常用值。timeout设置请求超时在嵌入式设备上尤为重要可以防止程序因网络问题而假死。4.3 语音合成模块让板子“说话”使用Azure Speech SDK将AI回复的文本合成为语音并播放。实现一个SpeechSynthesizer类。import azure.cognitiveservices.speech as speechsdk import os class SpeechSynthesizer: def __init__(self): self.speech_key os.getenv(AZURE_SPEECH_KEY) self.service_region os.getenv(AZURE_SPEECH_REGION) # 创建语音配置 speech_config speechsdk.SpeechConfig(subscriptionself.speech_key, regionself.service_region) # 设置合成语音。这里选择晓晓的神经网络语音声音自然。 speech_config.speech_synthesis_voice_name zh-CN-XiaoxiaoNeural # 可以调整语速和音调可选 # speech_config.set_speech_synthesis_output_format(speechsdk.SpeechSynthesisOutputFormat.Audio16Khz32KBitRateMonoMp3) # 创建音频输出配置。使用默认扬声器。 audio_config speechsdk.audio.AudioOutputConfig(use_default_speakerTrue) # 创建合成器对象 self.speech_synthesizer speechsdk.SpeechSynthesizer(speech_configspeech_config, audio_configaudio_config) def synthesize_and_play(self, text: str): 将文本合成为语音并立即播放 if not text: return print(f正在合成并播放: {text}) # 执行合成并播放 result self.speech_synthesizer.speak_text_async(text).get() # 检查结果 if result.reason speechsdk.ResultReason.SynthesizingAudioCompleted: print(语音播放完成。) elif result.reason speechsdk.ResultReason.Canceled: cancellation_details result.cancellation_details print(f语音合成取消: {cancellation_details.reason}) if cancellation_details.reason speechsdk.CancellationReason.Error: print(f错误详情: {cancellation_details.error_details})关键点解析speak_text_async(text).get()这是异步调用的同步等待写法。speak_text_async会立即返回一个future对象.get()则等待其完成。对于简单的顺序执行这样写没问题。如果希望播放不阻塞主线程比如在GUI应用中需要处理异步回调。语音选择zh-CN-XiaoxiaoNeural是中文普通话的神经网络语音效果很好。Azure提供了多种音色如YunxiNeural男声可以在Azure语音门户试听并更换。输出格式默认输出是16kHz 16bit Mono PCM与大多数扬声器兼容。如果需要其他格式如MP3可以通过set_speech_synthesis_output_format设置但播放时需要相应的解码器。4.4 主程序循环串联一切最后我们将所有模块组合起来形成一个简单的、可交互的主程序。import time from speech_recognizer import SpeechRecognizer from chatgpt_handler import ChatGPTHandler from speech_synthesizer import SpeechSynthesizer def main(): print(初始化行空板AI语音助手...) recognizer SpeechRecognizer() chat_handler ChatGPTHandler() synthesizer SpeechSynthesizer() print(助手已就绪请对着麦克风说话。说‘退出’或‘结束’来终止程序。) while True: # 1. 语音识别 user_text recognizer.recognize_once() if user_text is None: time.sleep(1) # 识别失败稍作等待后继续循环 continue # 2. 检查退出命令 if 退出 in user_text or 结束 in user_text: print(收到退出指令再见) synthesizer.synthesize_and_play(再见) break # 3. 获取AI回复 ai_response chat_handler.get_response(user_text) # 4. 语音合成与播放 synthesizer.synthesize_and_play(ai_response) # 可选在对话间添加短暂停顿避免过于急促 time.sleep(0.5) if __name__ __main__: main()这个main函数构成了一个清晰的循环监听语音 - 识别 - 处理 - 回复 - 播放。它简单直观是项目可运行的最小核心。5. 性能优化与进阶功能探讨基础版本跑通后我们可以从用户体验和稳定性角度进行一系列优化。5.1 降低延迟流式识别与边想边说基础版中用户必须说完一句话并等待静音检测识别才完成然后才能开始思考、合成延迟感明显。优化方向是流式识别和响应提前。流式识别Azure Speech SDK支持start_continuous_recognition()它可以实时返回中间识别结果。我们可以结合端点检测VAD在用户说话间隙就提前发送部分文本给ChatGPT如果上下文允许或者至少能在用户说完话的瞬间就拿到最终文本节省静音等待时间。边想边说部分实现这是一个更高级的优化。当ChatGPT以流式Streaming方式返回响应时它是一个词一个词Token地生成。我们可以获取到第一个完整的句子或意群时就立即触发TTS合成而不是等待全部生成完毕。这需要处理OpenAI的流式响应和Azure TTS的衔接实现复杂度较高但能极大提升交互的实时感。一个简单的折中方案是在调用ChatGPT时如果回复文本较长可以按句号、问号等标点分割分句进行TTS合成和播放。这虽然不能做到真正的“边想边说”但可以让用户更早地开始听到回复。5.2 上下文管理与成本控制对话历史是双刃剑它保证了连贯性但也增加了Token消耗。除了之前提到的轮数限制还有更精细的管理策略Token数限制可以计算历史消息的大致Token数粗略估算1个汉字≈2个Token1个英文单词≈1.3个Token。当总Token数超过模型上下文窗口如gpt-3.5-turbo的4096的一定比例如80%时主动丢弃最早的非系统消息。总结式上下文当历史对话过长时可以调用一次ChatGPT让它用很短的话总结之前的对话要点然后用这个总结替换掉大部分旧的历史只保留最近一两轮原始对话。这需要额外的API调用但能长期维持一个“精炼”的上下文。无状态对话对于某些简单问答场景可以完全不用历史上下文只发当前用户问题。这最省成本但AI会失去记忆。5.3 唤醒词与离线激活一直监听麦克风会持续消耗CPU资源且可能误触发。实现一个本地的唤醒词检测是更优雅的方案。例如可以使用轻量级的开源库如Snowboy或Porcupine需付费在行空板上离线运行一个“小模型”持续监听“小爱同学”、“嗨Siri”这样的特定关键词。只有检测到唤醒词后才激活上述完整的语音识别流程。实现步骤训练或下载一个唤醒词模型.pmdl或.ppn文件。在Python主循环中使用pyaudio持续读取音频流送入唤醒词引擎检测。一旦检测到唤醒词立即启动Azure的语音识别器开始聆听指令。这使设备在待机时功耗和计算负载极低只有在被唤醒后才进行高耗能的云端API交互更符合硬件设备的交互习惯。5.4 错误处理与鲁棒性增强网络服务不稳定是常态必须加强错误处理。网络重试对于API调用失败超时、5xx错误实现指数退避的重试机制。例如第一次失败后等待1秒重试第二次失败后等待2秒以此类推最多重试3次。降级方案当ChatGPT API不可用时可以切换到一个本地的、简单的规则引擎或小模型给出预设回答如“网络连接有点问题请稍后再问我”。音频设备异常处理如果pyaudio初始化麦克风失败应给出明确的错误日志并尝试重新初始化或切换到备用设备索引。资源清理确保在程序退出包括异常退出时正确关闭和释放Speech SDK的识别器、合成器对象避免资源泄漏。6. 常见问题与排查实录在实际部署中你几乎一定会遇到下面这些问题。这里是我踩坑后的解决方案汇总。6.1 音频相关问题问题1录音没有声音或全是噪音。排查首先用系统命令arecord -l和aplay -l列出音频设备确认行空板识别到了正确的输入输出设备。运行arecord -d 3 -f cd test.wav aplay test.wav测试。解决可能是默认设备不对。在代码中创建AudioConfig时可以指定设备IDAudioConfig(device_namehw:0,0)。设备ID需根据arecord -l的结果确定。调整麦克风增益。运行alsamixer在终端里调整Capture和Mic的音量。环境噪音太大。考虑在代码中加入简单的软件增益控制或使用VAD库在录音前进行静音检测。问题2播放语音时声音小、破音或杂音。排查同样先用aplay播放一个标准WAV文件测试扬声器本身。解决在alsamixer中调整Master和PCM的输出音量。Azure TTS返回的音频格式和采样率可能与板子音频输出不匹配。尝试在SpeechConfig中设置明确的输出格式例如speech_config.set_speech_synthesis_output_format(speechsdk.SpeechSynthesisOutputFormat.Raw16Khz16BitMonoPcm)。如果使用pyaudio播放确保打开的音频流参数采样率、声道数、采样宽度与音频数据完全一致。6.2 网络与API调用问题问题3Azure Speech SDK初始化失败报“InvalidSubscriptionKey”或“AuthorizationFailure”。排查百分之百是密钥或区域错误。解决仔细检查环境变量AZURE_SPEECH_KEY和AZURE_SPEECH_REGION是否已正确设置并生效在Python中print(os.getenv(...))。特别注意区域代码eastus和chinaeast2是不同的。如果你创建的是中国区资源必须使用中国区的终结点。全球SDK默认连接全球终结点需要像前面代码注释里那样手动指定中国区的endpoint参数格式为wss://{region}.stt.speech.azure.cn/。这是最容易出错的地方。问题4OpenAI API调用超时或返回429速率限制。排查网络连接问题或API调用过于频繁。解决在行空板上ping api.openai.com测试连通性。如果网络不通检查代理或DNS设置。429错误意味着请求太快。免费账户或有 tier 限制的账户有每分钟/每天的请求数限制。在代码中增加延迟例如在每次对话后time.sleep(1)。使用try-except包裹API调用捕获openai.error.RateLimitError并进行等待重试。问题5ChatGPT回复内容过长不适合语音播放。解决这需要通过Prompt工程和API参数双管齐下。强化Prompt在system消息中强调“用一两句话简短回答”、“避免复杂句式”、“直接给出核心答案”。限制参数严格设置max_tokens100或更低。虽然可能截断回答但能有效控制长度。后处理收到回复后如果文本仍然很长可以按句号分割只取第一句进行TTS合成。6.3 程序运行与依赖问题问题6导入azure.cognitiveservices.speech模块失败提示找不到模块。解决确保安装的是正确的包。有时需要安装特定架构的版本。在行空板ARM架构上最可靠的方法是使用微软官方提供的预编译轮子wheel或者从源码编译。但通常pip3 install azure-cognitiveservices-speech就能成功。如果失败可以尝试先升级pip和setuptools。问题7程序运行一段时间后内存占用越来越高甚至卡死。排查可能是资源未正确释放或者对话历史无限增长。解决确保在每次识别和合成完成后没有创建无法被垃圾回收的对象。对于Speech SDK虽然我们使用了全局的recognizer和synthesizer但确保主循环结束后程序正常退出。严格执行对话历史修剪_trim_history防止列表无限膨胀。考虑定期如每对话10轮重启一下识别器和合成器实例以释放SDK内部可能积累的资源。问题8如何让程序开机自启动解决在行空板上可以创建一个systemd服务。创建服务文件sudo nano /etc/systemd/system/ai_assistant.service写入以下内容根据你的实际路径修改[Unit] DescriptionAI Voice Assistant Afternetwork.target [Service] Typesimple Userpi # 或用你的用户名 WorkingDirectory/home/pi/ai_project ExecStart/usr/bin/python3 /home/pi/ai_project/main.py Restarton-failure RestartSec5 [Install] WantedBymulti-user.target启用并启动服务sudo systemctl enable ai_assistant.service然后sudo systemctl start ai_assistant.service查看日志sudo journalctl -u ai_assistant.service -f将ChatGPT和Azure Speech的能力下沉到行空板这样的边缘硬件最大的成就感来自于看到抽象的代码转化为具象的、可交互的智能行为。整个过程是对云服务API调用、音频处理、异步编程和异常处理的一次综合演练。我个人的体会是前期把架构和数据流图画清楚比直接写代码更重要而调试阶段耐心地分模块测试比如先确保录音播放正常再单独测试语音识别再测试ChatGPT对话能帮你快速定位问题所在。这个项目就像一个乐高底座在此基础上你可以添加视觉传感器让它“看得见”连接执行器让它“动起来”或者集成本地知识库让它更“专精”想象力是唯一的边界。最后一个小建议在正式长期运行前务必在云服务平台设置好预算警报毕竟AI的“思考”和“说话”都是按量计费的可别让好奇心变成账单惊喜。
