当前位置： 首页 > news >正文

manyspeech-cli 语音识别命令行工具

news 2026/5/12 20:39:18 
                  __                    |\/|  _. ._     (_  ._   _   _   _ |_  |  | (_| | | \/ __) |_) (/_ (/_ (_ | | /      |

manyspeech-cli 是一款免安装本地命令行语音识别工具，支持本地音频文件识别、麦克风实时流式识别等能力。提供交互模式与命令行模式两种使用方式，模型自动下载、离线推理、字幕生成全流程均可通过命令行一键完成。

下载地址：https://modelscope.cn/models/manyeyes/manyspeech-cli

✨ 功能更新日志

  • 【2026-05-12】 新增配置文件管理，支持参数持久化、配置查看与重置
  • 【2026-05-11】 重构命令行解析，支持参数智能补全、自动帮助生成
  • 【2026-05-08】 新增更多模型支持，简化交互流程，优化终端输出格式
  • 【2025-09-22】 支持 fsmn-vad / silero-vad 双VAD模型自由切换
  • 【2025-09-09】 新增 2pass 识别模式，优化时间戳精度
  • 【2025-09-05】 支持输出 SRT字幕、JSON、纯文本 等多格式结果
  • 【2025-08-29】 首发 manyspeech-cli，支持多类ASR模型本地离线推理

🚀 快速运行说明

两种使用模式

模式 启动方式 适用场景
交互模式 直接双击 exe 或运行 manyspeech 手动测试、探索功能
命令行模式 manyspeech [参数] 脚本调用、自动化、管道

性能优化提示

  • 将 --threads 2 改为 --threads 8 可手动设置推理线程
  • 设为 --threads 0 即可自动检测CPU核心数，智能适配最优并发

💻 快速上手示例

示例1：第一次使用（交互模式）

# 1. 双击运行程序
manyspeech-cli.exe# 2. 选择语言（输入 1 或 2）
请选择语言: 1. 中文; 2. English;
1# 3. 输入识别命令
> -t offline -f D:\test.wav# 程序自动下载模型并开始识别，输出识别结果
# 首次运行会自动生成配置文件 manyspeech.json

示例2：命令行一键识别

# 打开 cmd 或 PowerShell，进入程序目录
cd D:\Tools\ManySpeech# 识别单个文件
manyspeech -t offline -f test.wav# 识别多个文件
manyspeech -t offline -f audio1.wav audio2.wav audio3.wav

示例3：麦克风实时识别（按 ESC 退出）

# 流式模型 + 麦克风（延迟最低）
manyspeech -t online -i mic# 离线模型 + 麦克风（精度更高）
manyspeech -t offline -m chunk -i mic# 2pass 模式 + 麦克风（兼顾实时与精度）
manyspeech -t 2pass -i mic

📁 配置文件管理

配置文件位置

首次运行程序时，会在程序目录自动生成 manyspeech.json 配置文件：

类型 Windows 路径 优先级 说明
本地配置 程序目录 manyspeech.json 最高 便携版配置，随程序移动
用户配置 %USERPROFILE%\.manyspeech\manyspeech.json 中 用户个性化设置
系统配置 %PROGRAMDATA%\ManySpeech\manyspeech.json 低 系统级默认配置

配置文件示例

{"version": "1.0.0","defaults": {"method": "chunk","input": "file","format": "text","threads": 2,"accuracy": "int8","model": "","model2": "","vad": "alifsmnvad-onnx","punc": "alicttransformerpunc-zh-en-mge-int8-onnx","base": "","output": ""}
}

配置字段说明

字段 说明 对应命令行参数 默认值
method 处理方式 -m, --method chunk
input 输入源 -i, --input file
format 输出格式 --format text
threads 线程数（0=自动检测） --threads 2
accuracy 模型精度 --accuracy int8
model 主模型名称 -md, --model ""（自动匹配）
model2 2pass副模型 --model2 ""（自动匹配）
vad VAD模型名称 --vad alifsmnvad-onnx
punc 标点模型名称 --punc alicttransformerpunc-zh-en-mge-int8-onnx
base 模型根目录 -b, --base ""（程序目录）
output 工作目录 -o, --output ""（当前目录）

配置管理命令

命令 说明 示例
--show-config 显示当前配置信息 manyspeech --show-config
--save-default 保存当前参数为默认配置 manyspeech -t offline -m chunk --save-default
--reset-config 重置配置为默认值 manyspeech --reset-config

配置优先级（从高到低）

命令行参数（临时覆盖，最高优先级）↓--save-default 保存的参数↓本地配置文件（程序目录/manyspeech.json）↓用户配置文件（%USERPROFILE%\.manyspeech\manyspeech.json）↓系统配置文件（%PROGRAMDATA%\ManySpeech\manyspeech.json）↓环境变量（MANYSPEECH_*）↓程序内置默认值（最低优先级）

配置使用示例

# 查看当前配置
manyspeech --show-config# 输出示例：
========== 当前配置 ==========
配置文件: D:\Tools\manyspeech.json
总运行次数: 15
上次运行: 2026-01-15 10:35:00默认配置:method: chunkinput: fileformat: srtthreads: 4accuracy: int8base: D:\MyModelsoutput: D:\Output
...# 保存当前参数为默认配置
manyspeech -t offline -m chunk --format srt --threads 4 --save-default
✅ 当前参数已保存为默认配置# 之后直接运行，自动使用保存的默认值
manyspeech -f test.wav# 重置配置
manyspeech --reset-config
✅ 配置已重置为默认值

-b, --base 模型目录配置

模型目录可以通过以下方式指定：

优先级 配置方式 示例
1 命令行 -b 参数 manyspeech -t offline -b D:\MyModels -f test.wav
2 配置文件中的 base 字段 编辑 manyspeech.json 中的 "base": "D:\\MyModels"
3 环境变量 MANYSPEECH_BASE set MANYSPEECH_BASE=D:\MyModels
4 程序默认目录 程序所在目录 
# 方式1：命令行指定（临时）
manyspeech -t offline -b D:\TempModels -f test.wav# 方式2：配置文件指定（永久）
# 编辑 manyspeech.json
{"defaults": {"base": "D:\\MyModels"}
}
manyspeech -t offline -f test.wav   # 自动使用 D:\MyModels# 方式3：环境变量指定
set MANYSPEECH_BASE=D:\MyModels
manyspeech -t offline -f test.wav

-o, --output 工作目录配置

工作目录（存放识别结果、日志、临时文件等）可以通过以下方式指定：

优先级 配置方式 示例
1 命令行 -o 参数 manyspeech -t offline -o D:\MyOutput -f test.wav
2 配置文件中的 output 字段 编辑 manyspeech.json 中的 "output": "D:\\MyOutput"
3 环境变量 MANYSPEECH_OUTPUT set MANYSPEECH_OUTPUT=D:\MyOutput
4 程序默认目录 当前目录 
# 方式1：命令行指定（临时）
manyspeech -t offline -o D:\TempOutput -f test.wav# 方式2：配置文件指定（永久）
# 编辑 manyspeech.json
{"defaults": {"output": "D:\\MyOutput"}
}
manyspeech -t offline -f test.wav   # 自动输出到 D:\MyOutput# 方式3：环境变量指定
set MANYSPEECH_OUTPUT=D:\MyOutput
manyspeech -t offline -f test.wav

💡 典型使用示例

1. 长音频离线流式识别 · 生成字幕

# FireRedASR 大模型（中文最佳，高精度）
manyspeech -t offline -m chunk --format srt --threads 4 -f "D:\audio\0.wav" --model fireredasr2-aed-large-zh-en-int8-onnx-selfcrosskv-offline-20260212# FunASR 轻量模型（速度快，资源占用低）
manyspeech -t offline -m chunk --format srt --threads 2 -f "D:\audio\0.wav" --model Fun-ASR-Nano-2512-LLM-int8-onnx# Paraformer 大模型（通用场景，平衡精度与速度）
manyspeech -t offline -m chunk --format srt --threads 4 -f "D:\audio\0.wav" --model paraformer-large-wenetspeech-chuan-int8-onnx-offline# Whisper large（多语言支持）
manyspeech -t offline -m chunk --format srt --threads 8 -f "D:\audio\0.wav" --model whisper-large-v3-turbo-int8-onnx-kv# K2Transducer 轻量模型（实时性强，适合长音频）
manyspeech -t offline -m chunk --format srt --threads 2 -f "D:\audio\0.wav" --model k2transducer-zipformer-ctc-small-zh-int8-onnx-offline-20250716

2. 麦克风离线流式识别 · 生成字幕

# FireRedASR 大模型（高精度，适合会议记录）
manyspeech -t offline -m chunk --format srt --threads 4 -i mic --model fireredasr2-aed-large-zh-en-int8-onnx-selfcrosskv-offline-20260212# FunASR 大模型（高精度，适合会议记录）
manyspeech -t offline -m chunk --format srt --threads 2 -i mic --model Fun-ASR-Nano-2512-LLM-int8-onnx# Paraformer 轻量模型（低延迟，适合实时转录）
manyspeech -t offline -m chunk --format srt --threads 4 -i mic --model paraformer-large-zh-en-timestamp-int8-onnx-offline# SenseVoiceSmall 小模型（低延迟，适合实时转录）
manyspeech -t offline -m chunk --format srt --threads 2 -i mic --model sensevoice-small-int8-onnx

3. 麦克风实时流式识别 · 实时生成字幕

# Paraformer 流式模型（通用流式识别，稳定性好）
manyspeech -t online --format srt -i mic --model paraformer-large-zh-en-int8-onnx-online# K2Transducer 大模型（中文流式，精度高）
manyspeech -t online --format srt -i mic --model k2transducer-zipformer-ctc-large-zh-onnx-online-yuekai-20250630# K2Transducer 超大模型（中文流式，极致精度，推荐高性能设备）
manyspeech -t online --format srt -i mic --model k2transducer-zipformer-ctc-xlarge-zh-onnx-online-yuekai-20250630# K2Transducer 英文模型（英文通用）
manyspeech -t online --format srt -i mic --model k2transducer-zipformer-en-int8-onnx-online-zengwei-20230517# Wenet 流式模型（中文通用）
manyspeech -t online --format srt -i mic --model wenet-u2pp-conformer-wenetspeech-int8-onnx-online-20220506# Wenet 英文模型（英文通用）
manyspeech -t online --format srt -i mic --model wenet-u2pp-conformer-gigaspeech-onnx-online-20210728# Whisper tiny 轻量模型（多语言）
manyspeech -t offline --format srt -i mic --model whisper-tiny-int8-onnx-kv

4. 2pass 双流融合识别 · 实时精修

# Paraformer 2pass（实时输出 + 最终精修）
manyspeech -t 2pass -i mic --model paraformer-large-zh-en-int8-onnx-online --model2 paraformer-seaco-large-zh-timestamp-int8-onnx-offline# K2Transducer 2pass（流式实时 + 离线精修）
manyspeech -t 2pass -i mic --model k2transducer-zipformer-ctc-large-zh-onnx-online-yuekai-20250630 --model2 k2transducer-zipformer-ctc-small-zh-int8-onnx-offline-20250716# Wenet 2pass（流式实时 + 离线精修）
manyspeech -t 2pass -i mic --model wenet-u2pp-conformer-wenetspeech-onnx-online-20220506 --model2 wenet-u2pp-conformer-wenetspeech-int8-onnx-offline-20220506

📚 支持模型列表参考

  • AliParaformerAsr：https://github.com/manyeyes/ManySpeech/blob/master/docs/readme/AliParaformerAsr/README.zh_CN.md
  • FireRedAsr：https://github.com/manyeyes/ManySpeech/blob/master/docs/readme/FireRedAsr/README.zh_CN.md
  • K2TransducerAsr：https://github.com/manyeyes/ManySpeech/blob/master/docs/readme/K2TransducerAsr/README.zh_CN.md
  • MoonshineAsr：https://github.com/manyeyes/ManySpeech/blob/master/docs/readme/MoonshineAsr/README.zh_CN.md
  • WenetAsr：https://github.com/manyeyes/ManySpeech/blob/master/docs/readme/WenetAsr/README.zh_CN.md
  • WhisperAsr ONNX
  • DolphinAsr ONNX
  • OmniAsr ONNX
  • Fun-ASR-Nano-2512 ONNX
  • parakeet-tdt ONNX
  • MedAsr ONNX 等等模型

更多模型请参考：

https://modelscope.cn/profile/manyeyes?tab=model

⚙️ 参数详细说明

基本选项

参数 说明 默认值 环境变量
-t, --type <online/offline/2pass> 识别类型（必选） — MANYSPEECH_TYPE
-m, --method <one/batch/chunk> 处理方式 chunk MANYSPEECH_METHOD
-i, --input <file/mic> 输入源：音频文件/麦克风 file MANYSPEECH_INPUT
-b, --base <路径> 模型根目录 程序目录 MANYSPEECH_BASE
-o, --output <目录> 工作目录（存放识别结果、日志等） 当前目录 MANYSPEECH_OUTPUT
-md, --model <名称> 主模型名称 自动匹配 MANYSPEECH_MODEL
--model2 <名称> 2pass 副模型名称 自动匹配 MANYSPEECH_MODEL2
--vad <名称> VAD语音端点检测模型 alifsmnvad-onnx MANYSPEECH_VAD
--punc <名称> 标点恢复模型 alicttransformerpunc-zh-en-mge-int8-onnx MANYSPEECH_PUNC
--accuracy <fp32/int8> 模型推理精度 int8 MANYSPEECH_ACCURACY
--threads <数量> 推理线程数，0=自动检测 2 MANYSPEECH_THREADS
--format <json/text/srt/vtt> 输出格式 text MANYSPEECH_FORMAT
-f, --files <文件...> 待识别音频文件（支持多文件） — —

配置管理选项

参数 说明
--show-config 显示当前配置信息
--save-default 保存当前参数为默认配置
--reset-config 重置配置为默认值

环境变量列表

环境变量 对应参数
MANYSPEECH_TYPE -t, --type
MANYSPEECH_METHOD -m, --method
MANYSPEECH_INPUT -i, --input
MANYSPEECH_BASE -b, --base
MANYSPEECH_OUTPUT -o, --output
MANYSPEECH_MODEL -md, --model
MANYSPEECH_MODEL2 --model2
MANYSPEECH_VAD --vad
MANYSPEECH_PUNC --punc
MANYSPEECH_ACCURACY --accuracy
MANYSPEECH_THREADS --threads
MANYSPEECH_FORMAT --format

参数速记

  • -t = --type
  • -m = --method
  • -i = --input
  • -b = --base
  • -o = --output
  • -md = --model
  • -f = --files

📖 详细使用教程

1. 默认规则说明

  • 未指定 -model 时自动使用默认模型
  • 默认自动启用VAD断句 + 标点恢复
  • 指定 --format srt 可生成标准字幕文件
  • 缺失模型时程序自动后台下载（模型较大，请耐心等待）
  • 配置文件：首次运行自动生成，可编辑修改默认参数

2. 快速体验最简命令

# 非流式识别（使用默认模型、默认测试音频）
manyspeech -t offline# 实时流式识别（麦克风）
manyspeech -t online -i mic# 2pass 双流融合识别
manyspeech -t 2pass -i mic

3. 本地音频文件识别

# 单文件识别
manyspeech -t offline -f meeting.wav# 多文件批量识别
manyspeech -t offline -f meeting1.wav meeting2.wav meeting3.wav# 分片处理长音频（建议配合VAD，精度更高）
manyspeech -t offline -m chunk -f long_audio.wav# 流式模型识别本地文件
manyspeech -t online -m chunk -f audio.wav# 输出JSON格式（含时间戳）
manyspeech -t offline --format json -f audio.wav# 指定输出目录
manyspeech -t offline -f audio.wav -o D:\Output

4. 麦克风实时识别

# 流式模型 + 麦克风（延迟最低，约200ms）
manyspeech -t online -i mic# 离线模型 + 麦克风（精度更高，约1-2秒延迟）
manyspeech -t offline -m chunk -i mic# 2pass 模式 + 麦克风（首次实时输出，最终精修）
manyspeech -t 2pass -i mic# 指定VAD模型
manyspeech -t online --vad silero-vad-v6-onnx -i mic# 实时输出SRT字幕
manyspeech -t online --format srt -i mic

5. VAD / 标点模型 启停与切换

# 禁用 VAD 和标点（原始识别结果）
manyspeech -t offline --vad "" --punc ""# 切换 Silero VAD（更适合嘈杂环境）
manyspeech -t offline --vad silero-vad-v6-onnx -f audio.wav# 使用默认 FSMN VAD（速度快，适合清晰语音）
manyspeech -t offline --vad alifsmnvad-onnx -f audio.wav# 仅禁用标点，保留VAD
manyspeech -t online --punc "" -i mic

6. 多格式字幕输出

# 输出 SRT 字幕（最常用）
manyspeech -t offline -m chunk --format srt -f audio.wav
# 生成 audio.srt 文件# 输出 WebVTT 字幕（网页使用）
manyspeech -t offline --format vtt -f audio.wav
# 生成 audio.vtt 文件# 输出 JSON 格式（程序解析）
manyspeech -t offline --format json -f audio.wav
# 输出结构化 JSON，含文本、时间戳、置信度# 输出纯文本（默认）
manyspeech -t offline -f audio.wav
# 直接输出识别文字

7. 手动指定任意模型

# 查看可用模型：https://modelscope.cn/profile/manyeyes?tab=model# SenseVoice 小模型（轻量快速）
manyspeech -t offline -i mic --model sensevoice-small-int8-onnx# Whisper tiny（英文优化）
manyspeech -t offline -f english.wav --model whisper-tiny-en-onnx# Whisper large（多语言高精度）
manyspeech -t offline -f multilingual.wav --model whisper-large-v3-turbo-zh-onnx-belle-20241016# FireRedASR 大模型（中文最佳）
manyspeech -t offline -m chunk --model fireredasr2-aed-large-zh-en-int8-onnx-selfcrosskv-offline-20260212 -f chinese.wav# Paraformer 大模型（通用场景）
manyspeech -t offline -m chunk --model paraformer-large-zh-en-int8-onnx-offline -f general.wav# K2Transducer 模型（实时性强）
manyspeech -t online -i mic --model k2transducer-zipformer-ctc-large-zh-onnx-online-yuekai-20250630# 2pass 模式指定副模型
manyspeech -t 2pass -i mic --model paraformer-large-zh-en-int8-onnx-online --model2 paraformer-seaco-large-zh-timestamp-int8-onnx-offline

8. 环境变量配置（适合高频场景）

# Windows cmd
set MANYSPEECH_TYPE=online
set MANYSPEECH_METHOD=chunk
set MANYSPEECH_THREADS=4
set MANYSPEECH_FORMAT=srt
set MANYSPEECH_OUTPUT=D:\Output
manyspeech -i mic# Windows PowerShell
$env:MANYSPEECH_TYPE="online"
$env:MANYSPEECH_METHOD="chunk"
$env:MANYSPEECH_THREADS="4"
$env:MANYSPEECH_FORMAT="srt"
$env:MANYSPEECH_OUTPUT="D:\Output"
manyspeech -i mic

9. 交互模式完整示例

# 启动交互模式
manyspeech# 会话示例：
=====================================
请输入参数 (输入 'exit' 退出，直接回车显示帮助):# 识别单个文件
> -t offline -f D:\test.wav
[识别结果...]# 批量识别
> -t offline -f 1.wav 2.wav 3.wav --format srt
[生成3个字幕文件...]# 麦克风实时识别
> -t online -i mic
[按 ESC 退出...]# 指定模型识别
> -t offline -i mic --model fireredasr2-aed-large-zh-en-int8-onnx-selfcrosskv-offline-20260212# 指定输出目录
> -t offline -f test.wav -o D:\MyOutput# 查看配置
> --show-config# 保存当前参数为默认
> -t offline -m chunk --format srt --save-default# 查看帮助
> --help# 退出
> exit

10. 批量处理脚本示例

# Windows批处理脚本 (batch_process.bat)
@echo off
setlocal enabledelayedexpansionset INPUT_DIR=D:\audio
set OUTPUT_DIR=D:\outputfor %%f in ("%INPUT_DIR%\*.wav") do (echo Processing %%f...manyspeech -t offline -m chunk --format srt --threads 4 -f "%%f" -o "%OUTPUT_DIR%"
)echo All files processed!
pause

# PowerShell 脚本 (batch_process.ps1)
$inputDir = "D:\audio"
$outputDir = "D:\output"Get-ChildItem $inputDir -Filter *.wav | ForEach-Object {Write-Host "Processing $($_.Name)..."& manyspeech -t offline -m chunk --format srt --threads 4 -f $_.FullName -o $outputDir
}Write-Host "All files processed!"

📌 补充说明

识别类型详解

类型 说明 适用场景
offline 非流式识别，处理完整音频后输出 文件识别、长音频、离线场景
online 实时流式识别，边录边出字 麦克风、直播、低延迟场景
2pass 双流融合识别，实时输出+最终精修 对精度和实时性都有要求的场景

输出格式详解

格式 说明 用途
text 纯文本，每句一行 快速查看、日志记录
json JSON格式，含时间戳、置信度 程序解析、二次处理
srt SubRip字幕格式 视频字幕、剪辑软件
vtt WebVTT字幕格式 网页播放器、浏览器

处理方式详解

方式 说明 适用场景
one 一次性处理整个音频 短音频、快速测试
batch 批量处理多个完整音频 多文件批处理
chunk 分片流式处理（需配合VAD） 长音频、实时流

注意事项

  • 配置文件：首次运行自动生成 manyspeech.json，可编辑修改默认参数
  • 模型下载：缺失模型时程序自动后台下载，无需手动安装（模型较大，首次下载请耐心等待）
  • Git LFS：如需手动下载模型，建议安装 Git LFS，但非必需（程序会自动处理）
  • 2pass 模式主模型为 online 模型，副模型 model2 为离线模型
  • 麦克风识别过程按 ESC键 即可退出
  • 命令行帮助：--help 或 -h 可查看完整参数说明
  • 模型命名：模型名称可从 ModelScope主页 获取

🔗 项目参考

ManySpeech 开源主页

http://www.jsqmd.com/news/804420/

相关文章：

  • 厚街古筝培训哪家值得推荐：秒杀古筝培训优质教学 - 13425704091
  • 国家中小学智慧教育平台电子课本下载工具终极指南：一键获取全学科教材资源
  • AI驱动的链上数据分析：Arkham工具实战与智能监控体系构建
  • AI工具链危机应对：从成本量化到迁移策略的实战指南
  • ComfyUI-SUPIR超分辨率技术实现：深度解析AI图像修复与放大解决方案
  • AI重塑软件工程：从敏捷开发到智能创新的实践路径
  • AI辅助开发中的知识扩散模拟与正确性不变式保障实践
  • 2026年3月解题报告
  • B站命令行工具bilibili-cli：极客的终端视频浏览与自动化方案
  • ROS2导航SLAM建图实战：从Gazebo仿真到真实地图构建
  • AI大模型学习路线！手把手带你入门_AI大模型学习路线及相关资源推荐
  • ncmdumpGUI深度解析：5步解锁网易云音乐NCM加密格式转换
  • BMS工程师必看：实测案例解析50-108MHz频段超标如何整改（滤波/接地/屏蔽实战）
  • 紧急预警：Gemini 2.0在金融时序数据解释中出现系统性因果倒置（已触发3家券商生产熔断），Claude 3.5通过ISO/IEC 23894风险评估——附漏洞复现与降级方案
  • ML：从状态到策略——强化学习的最小闭环
  • 【AI面试临阵磨枪-54】如何监控 AI 系统：成功率、延迟、Token 消耗、幻觉率、调用量
  • 2026年甲油胶厂家实力排行：国内的甲油胶厂商/专业的甲油胶批发厂家/优质的甲油胶批发厂家 - 品牌策略师
  • Selenium自动化ChatGPT：绕过API限制，实现Web端高效批量交互
  • 从零构建大模型推理引擎：KV缓存、算子融合与量化优化实战
  • 3分钟搞定浏览器二维码：Chrome QRCode插件的终极使用秘籍
  • 中望3D 2022草图‘外部参考’全解析：从投影点到面环，搞懂这4种选择策略才算入门
  • 用AURIX TC397的ERU单元实现多路信号模式检测：一个按键状态机的进阶案例
  • 开源情报工具openeir：一体化OSINT框架的设计、部署与实战应用
  • 天气图片分类模型：基于迁移学习与GPU资源优化
  • 策略梯度定理实战解析：从蒙特卡洛回报到PyTorch梯度实现
  • TraClets：将轨迹数据转化为图像，利用CNN与迁移学习实现通用轨迹分类
  • GLIGEN图像空间控制：用边界框实现像素级精准生成
  • Fresco风格出图失败率骤降87%的关键设置，Adobe资深插画师不愿公开的5个隐藏参数
  • 脉冲神经网络硬件加速器YANA的设计与实现
  • 深圳智擎搜域科技有限公司--专注AI营销GEO推广、豆包推广、千问推广、deepseek推广 - 深圳昊客网络