Modelcli

使用本地 ModelCLI 完成目标检测、OCR、语音识别、语音合成、模型管理与运行诊断。 Use when the user asks to detect objects in an image, extract Chinese or English text from an image, transcribe WAV/FLAC/MP3 audio, synthesize or clone speech, inspect local model capabilities, or manage ModelCLI models.

通过本 skill 的包装器调用本地 ModelCLI。不要解析人类模式的富文本输出，也不要绕过包装器自行拼接 Agent 协议。

工作流

1. 根据请求选择能力：

   • 图片中的常见物体、类别、置信度或坐标：detect。
   • 图片文字：ocr。
   • 音频转文字、时间段、情绪或声音事件：asr。
   • 文本转语音或参考音克隆：tts。
   • 环境、模型状态或故障检查：capabilities、doctor 或 models。

2. 推理前检查输入文件存在且可读。所有路径都转换为绝对路径。

3. 使用 {baseDir}/scripts/invoke.py 执行。包装器会确保 CLI 可用，并加入全局 --json --allow-download：

   bash

   python3 {baseDir}/scripts/invoke.py -- detect /absolute/path/photo.jpg
   python3 {baseDir}/scripts/invoke.py -- ocr /absolute/path/screenshot.png
   python3 {baseDir}/scripts/invoke.py -- asr /absolute/path/audio.wav --lang auto
   python3 {baseDir}/scripts/invoke.py -- tts "要合成的文本" --out /absolute/path/speech.wav
   

4. 解析 stdout 中唯一的 JSON 信封：

   • ok: true：使用 result 回答，并指出生成文件的绝对路径。
   • ok: false：使用 error.code、message 和 retryable 处理失败；stderr 仅作诊断。

5. retryable: true 或 MODEL_BUSY 最多重试一次。不要重试输入错误、输出冲突或不可重试错误。

6. 向用户简洁报告结果。除非用户要求，不要倾倒完整 JSON 或依赖日志。

安全边界

包装器会自动安装缺失的 ModelCLI，也允许推理时下载缺失模型。以下操作必须先获得用户明确确认，然后才加入 --approve-sensitive：

• 使用任何 --force 覆盖已有输出。
• models install ... --refresh。
• models remove ... 或 models clean。
• doctor --deep。

确认后这样执行：

bash

python3 {baseDir}/scripts/invoke.py --approve-sensitive -- tts "新内容" --out /absolute/path/existing.wav --force

不要主动刷新模型、删除缓存或覆盖文件。普通推理、models install、models verify、models list、capabilities 和静态 doctor 不需要额外确认。

能力选择约束

• detect 只识别 COCO 80 类，类别名使用英文，例如 person、car；它不是开放词汇或 UI 元素检测模型。
• OCR 返回逐行文本、置信度和四点坐标；需要可视化时使用 --draw-boxes。
• ASR 语言可选 auto|zh|en|yue|ja|ko；长音频默认启用 VAD。
• TTS 在 Agent 模式必须有 --out；需要克隆声音时用可读音频传 --prompt-audio。
• 调用方拥有墙钟超时。包装器默认 900 秒，可用 --timeout 调整。

需要具体参数或返回字段时读取 references/commands.md。需要错误码、信封或重试细节时读取 references/protocol.md。