我也是后知后觉发现 Paseo 的好处，已经有不少文章介绍过如何安装配对等，下面跳过 Paseo 的安装和基础设置，主要记录一下Relay和语音输入的配置，希望对大家有帮助：

Relay

Paseo 支持在手机上访问电脑端的 Paseo daemon，实现随时随地无缝vibe coding。但是 paseo.sh 的服务器在海外，利用 Cloudflare DO 进行中继，所以国内使用时，经常连接不上，或是断连。

所以，自建一个国内的 relay 能很好的解决这些问题，这里我使用了 paseo-relay 这个项目来搭建自己的relay服务器，详细步骤参考项目的说明。

在服务器上通过 Docker或配置成系统服务的方式运行在 8411 端口上，再通过 Caddy 自签域名证书支持HTTPS访问，假定我们这里配置好的中继服务器是 relay.abc.com， 通过访问 https://relay.abc.com/health 可以得到下面的返回，则说明服务正常运行了：```
{"status":"ok","version":"v0.5.0"}
``下一步修改本地的 Paseo 配置，无论是通过npm安装的，或是使用 Paseo软件启动的，配置文件目录默认在：``

MacOS

~/.paseo/
``打开配置文件目录下的 config.json, 找到 daemon 下的 relay 进行修改或添加:``

注意域名后面带端口： relay.abc.com:443

{
"daemon": {
...
"relay": {
"enabled": true,
"endpoint": "relay.abc.com:443",
"publicEndpoint": "relay.abc.com:443",
"useTls": true
}
...
},
"app": {
"baseUrl": "https://relay.abc.com"
}
}
```保存后，重启 Paseo (命令或在Paseo软件中找到指定的主机 "概览“-> “重启 Daemon”)，再次生成配对设备二维码时，已经是新的 Relay 服务器地址了，在“连接”里面看到的也是 Relay服务器。

语音输入

Paseo 已经支持了 Voice，支持两种语音识别文字方案：

- OpenAI格式的API方式

- 本地的 STT/TTS 模型

本地语音模型

在未进行配置时，在页面上点击麦克风图标，Paseo 将自动下载模型，模型下载完成后即可使用语音输入了。默认从 github 上下载，如果网速慢失败，则可以尝试下：```

通过 gh-proxy, 注意先切到paseo 模型目录下, 建议使用 parakeet-tdt-0.6b-v3

cd ~/.paseo/models/local-speech
wget -c "https://v4.gh-proxy.org/https://github.com/k2-fsa/sherpa-onnx/releases/download/asr-models/sherpa-onnx-nemo-parakeet-tdt-0.6b-v3-int8.tar.bz2"
tar -xJf sherpa-onnx-nemo-parakeet-tdt-0.6b-v3-int8.tar.bz2

wget -c "https://v4.gh-proxy.org/https://github.com/k2-fsa/sherpa-onnx/releases/download/asr-models/sherpa-onnx-nemo-parakeet-tdt-0.6b-v2-int8.tar.bz2"

tar -xJf sherpa-onnx-nemo-parakeet-tdt-0.6b-v2-int8.tar.bz2

wget -c "https://v4.gh-proxy.org/https://github.com/k2-fsa/sherpa-onnx/releases/download/tts-models/kokoro-en-v0_19.tar.bz2"
tar -xJf kokoro-en-v0_19.tar.bz2
``如果在MacOS等环境上，本地的语音模型是比较合适的，截止到 26年8月底的版本，Paseo本地使用了 STT: sherpa-onnx-nemo-parakeet-tdt-0.6b-v2-int8 和 TTS: kokoro-en-v0_19` 两个模型。

不幸的是， STT: sherpa-onnx-nemo-parakeet-tdt-0.6b-v2-int8 只支持英语和欧洲的几种语言，不支持中文。由于当下版本中，固定了 nemo 方式的语音识别，尚不支持 SenseVoice 格式的onnx，有几个 PR: 1634 #2044 #3689 官方合并后，我们可以使用上这些模型了：

- sense-voice-zh-en-ja-ko-yue-int8-2025-09-09

- paraformer-zh-2024-03-09-int8

文本转语音API

除了本地的模型， Voice 文档中更建议使用 API的方式做语音识别，如果使用 OpenAI 官方的只要按照文档配置即可。

本地自建的 FunASR 支持 OpenAI Compatible API，所以比较简单，只要配置好 baseUrl 和 model: paraformer 即可：```
{
"features": {
"dictation": {
"stt": {
"provider": "openai"
}
},
"voiceMode": {
"stt": {
"provider": "openai",
"model": "paraformer"
}
}
},
"providers": {
"openai": {
"stt": {
"apiKey": "...",
"baseUrl": "http://localhost:8000/v1"
}
}
}
}
```这里，千问AI平台也提供了语音识别的服务，调用按音频时长计费价格非常低，只有 0.00022/秒。

虽然千问提到了兼容 OpenAI 接口，但实际上 qwen3-asr-flash 这些模型请求的 endpoint是 /v1/chat/completions，而不是OpenAI 的 /v1/audio/transcriptions，而且发的请求体格式也不同。

这里通过 Cloudflare Worker 做了一个格式转换，达到了相同的效果，也可以类似的用其他云的edge runner 来实现。假设配置好后的Cloudflare Worker域名是 audio.abc.com，Paseo config.json 参考下面配置，并重启 Paseo Daemon后，即可在 Paseo 软件上使用语音输入了。```

修改 ~/.paseo/config.json

{
"features": {
"dictation": {
"stt": {
"provider": "openai",
"model": "qwen3-asr-flash"
}
},
"voiceMode": {
"stt": {
"provider": "openai",
"model": "qwen3-asr-flash"
}
}
},
"providers": {
"openai": {
"stt": {
"apiKey": "千问AI平台的 api key",
"baseUrl": "https://audio.abc.com/v1"
}
}
}
}
``Cloudflare Worker 代码``
export default {
async fetch(request, env, ctx) {
// 1. 处理 CORS 预检请求 (Paseo 在浏览器环境下可能会发 OPTIONS)
if (request.method === "OPTIONS") {
return new Response(null, {
headers: {
"Access-Control-Allow-Origin": "*",
"Access-Control-Allow-Methods": "GET, POST, OPTIONS",
"Access-Control-Allow-Headers": "Content-Type, Authorization",
},
});
}

const url = new URL(request.url);

// 2. 专门拦截 STT 语音转写请求
if (request.method === "POST" && url.pathname.endsWith("/v1/audio/transcriptions")) {
try {
const formData = await request.formData();
const file = formData.get("file");

if (!file) {
return new Response(JSON.stringify({ error: "No file provided" }), { status: 400 });
}

// 提取音频并转为 Base64
const arrayBuffer = await file.arrayBuffer();
const base64Audio = arrayBufferToBase64(arrayBuffer);
const mimeType = file.type || "audio/webm";
const audioDataUri = data:${mimeType};base64,${base64Audio};

// 组装千问多模态对话请求
const payload = {
model: "qwen3-asr-flash",
messages: [
{
role: "user",
content: [
{
type: "input_audio",
input_audio: {
data: audioDataUri,
},
},
],
},
],
stream: false,
};

// 发送给阿里云
const aliyunResponse = await fetch("https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions", {
method: "POST",
headers: {
"Content-Type": "application/json",
"Authorization": request.headers.get("Authorization"),
},
body: JSON.stringify(payload),
});

if (!aliyunResponse.ok) {
const errText = await aliyunResponse.text();
return new Response(errText, { status: aliyunResponse.status, headers: { "Content-Type": "application/json" } });
}

const data = await aliyunResponse.json();
const messageContent = data.choices?.[0]?.message?.content;
let transcribedText = "";

// 解析千问的返回体提取文本
if (typeof messageContent === "string") {
transcribedText = messageContent;
} else if (Array.isArray(messageContent)) {
for (const item of messageContent) {
if (item.type === "text") {
transcribedText += item.text || "";
}
}
}

// 返回标准 OpenAI STT 格式给 Paseo
return new Response(JSON.stringify({ text: transcribedText.trim() }), {
headers: {
"Content-Type": "application/json",
"Access-Control-Allow-Origin": "*",
},
});
} catch (err) {
return new Response(JSON.stringify({ error: err.message }), { status: 500 });
}
}

// 3. 对其他请求（例如 Paseo 的大模型对话请求 /v1/chat/completions），直接代理转发
const targetUrl = new URL("https://dashscope.aliyuncs.com" + url.pathname + url.search);
const proxyRequest = new Request(targetUrl, request);
// 剔除可能会导致云端 WAF 拦截的头
proxyRequest.headers.delete("Host");

const response = await fetch(proxyRequest);
const newResponse = new Response(response.body, response);
newResponse.headers.set("Access-Control-Allow-Origin", "*");
return newResponse;
},
};

// 辅助函数：由于音频文件较大，分块转 Base64 避免内存溢出
function arrayBufferToBase64(buffer) {
let binary = "";
const bytes = new Uint8Array(buffer);
const chunkSize = 0x8000; // 32KB 分块
for (let i = 0; i < bytes.length; i += chunkSize) {
const chunk = bytes.subarray(i, i + chunkSize);
binary += String.fromCharCode.apply(null, chunk);
}
return btoa(binary);
}