开源菜谱App Vibe Cook: 语音交互+AI选菜
编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
开发者将程序员菜谱HowToCook改造为支持语音控制和本地AI识别的烹饪App并开源。核心亮点是17MB本地模型支持离线语音翻步骤，以及基于DeepSeek的AI厨师功能。对创业者而言，这是一个典型的“开源项目+垂直场景”切入点，适合技术型个人开发者做二次开发或商业化包装。最大的坑是纯工具类App留存难且获客成本高，需绑定内容社区或电商闭环。下一步可克隆仓库部署本地体验，评估是否接入自有菜谱数据构建差异化。
- 克隆GitHub仓库部署本地，测试语音识别准确率
- 评估DeepSeek API成本，设计订阅制或广告变现
- 利用开放JSON数据集构建私域菜谱社群
- 调研竞品差异化，聚焦“无屏交互”场景痛点
- 注意本地模型17MB体积限制，优化加载体验
一、这是什么机会
面向独居青年与厨房新手，提供“语音交互+本地AI辅助”的烹饪解决方案。通过将结构化菜谱数据与离线语音模型结合，解决手油无法触控屏幕、复杂步骤难以执行的痛点。商业化路径主要依赖菜谱数据授权、SaaS订阅或电商导购。
二、独立判断
值得做，但需警惕工具属性过强导致的留存短板。核心优势在于17MB本地模型的离线可用性与隐私安全，这是云端AI无法替代的差异化卖点。判断为垂直场景下的技术变现机会，而非大众流量入口。
三、冷启动路径
第一步：克隆仓库部署本地环境，测试低网络环境下的语音识别准确率与响应延迟。成本量级：服务器费用+DeepSeek API调用费，初期预计月支出200-500元。周期：1-2周完成部署与核心流程验证。
四、最大风险与避坑
致命坑一：纯工具类获客难。应对：不直接拉新，而是将开放JSON数据集喂给小红书/抖音美食博主，引导其使用“Vibe Cook数据”制作内容，挂载链接引流。
致命坑二：本地模型加载失败。应对：在首次启动时提供CDN加速下载，并保留纯文本模式兜底，避免用户因加载卡顿直接流失。
五、案例复盘（别人怎么做的）
- 产品形态：全屏单步引导模式，做完一步打勾进下一步，屏幕常亮，避免翻找文字。
- 语音交互：基于sherpa-onnx WASM本机识别，首次下载17MB模型后离线可用，支持“下一步”“配料表”等关键词，不上传录音。
- AI能力：接入DeepSeek官方API，实现“冰箱有什么吃什么”的AI选菜，以及烹饪过程中的火候/替代咨询。
- 数据策略：将HowToCook的Markdown菜谱结构化为JSON并配图，以The Unlicense协议开放，提供开放API供二次开发。
- 技术栈：前端Next.js 16+TypeScript，后端FastAPI+SQLite，Agent走EdgeOne Makers，模型直连DeepSeek。
- 关键数字：开发者自测失败率控制在10%以内，三周高频使用辣椒炒肉、蒜苔炒肉等日常菜品。
六、双轨可执行性
跨境：此轨道不可行。语音模型训练依赖中文语境，且HowToCook数据集为中文，出海需重建数据与模型。
国内：可行。启动动作：将开放API封装为微信小程序插件，供其他美食内容App调用语音识别模块，按调用量收费或收版权费。
原文 · 分享创造：阅读原文 →
