VoxSight - 用语音操控网页的 Chrome 扩展，基于 Gemini 多模态视觉

各位 V 友好，分享一个最近做的 Chrome 扩展。

VoxSight – 用语音操控网页的 Chrome 扩展

说话就能操作网页。比如”点击搜索按钮”“描述这个页面”“向下滚动”，VoxSight 截屏后交给 Gemini 的多模态视觉模型分析，然后在页面上精确执行操作。

工作流程：

1. Alt+V 打开侧边栏
2. 按住麦克风按钮说话（或按空格键）
3. VoxSight 截屏发给 Gemini Live API 分析
4. 页面上执行操作，操作位置高亮显示
5. 自动截屏验证结果

特点：

• 中英文语音命令，自动语言检测
• 基于截图分析，任何网站都能用，不需要网站做适配
• 高风险操作（提交、支付、删除）需要二次确认
• WCAG 2.1 AA 无障碍支持：高对比度模式、可调字体大小、全键盘导航
• 隐私友好：不采集浏览历史，语音识别在浏览器本地运行

技术栈： Chrome MV3 + Gemini Live API (bidirectional streaming) + Cloud Run WebSocket

Chrome Web Store: https://chromewebstore.google.com/detail/voxsight/dfepmfcgbaceajaapbbakoikpfebeiic GitHub: https://github.com/calderbuild/voxsight

欢迎试用和反馈！