面对工作中转瞬即逝的灵感与杂乱无章的待办事项，传统语音输入工具往往只解决了打字速度问题，却未能真正理解用户意图。为此，一套完全本地化的语音转任务系统应运而生，旨在从噪音中提炼核心信息，将碎片化思绪转化为结构化任务。
双模型协作：聆听与理解的分离
该系统摒弃了单一模型包揽所有工作的思路，采用 Whisper 与 Qwen 双模型协作架构。Whisper 负责在本地将语音转录为文本，随后通过 llama.cpp 运行的 Qwen 模型解读真实意图。这种分工使得系统能在 RTX 4070 Ti 显卡（12GB 显存）上高效运行，其中经过 Q4_K_M 量化的 Qwen 3.5-9B 模型配合 Whisper，总显存占用仅为 7GB。
为确保准确性，大语言模型（LLM）仅负责提取任务并推断预期时间，返回结构化数据，而具体的日期计算则由确定性代码完成。例如，语音指令“为周末派对订购零食、打扫房子并清洗空气炸锅”会被自动拆解为三个独立项目，并按时间顺序排序，避免了 LLM 在处理时间概念时的不确定性。
极简架构：单一文件封装与 CPU/GPU 分工
为解决初期流程繁琐、多窗口切换的问题，开发者将所有功能封装进一个单一的 Python 文件中。该程序集成服务器启动、Whisper 引擎连接、录音启用及 GUI 展示功能，待办事项以可拖放的便利贴形式呈现，极大提升了可用性。
在算力分配上，系统采取务实策略：Whisper 转录任务交由 CPU 处理，仅需数秒即可完成短语音备忘；GPU 则专注于加载和驻留 Qwen 模型。此外，系统支持模型卸载功能，可在闲置时释放 GPU 资源，并在需要时自动重启服务。
本地部署：隐私优先与去订阅化
坚持本地部署的核心动机在于数据隐私与成本控制。所有思维数据均保留在本地机器，无需通过云 API 传输，也避免了月度订阅费用。尽管系统偶有名字误听或 GPU 预热延迟的情况，但相较于其带来的效率提升与隐私保障，这些权衡完全可以接受。在当前阶段，这种专用的双模型架构已能充分满足需求。