准备做RK3588S 离线多模态智能终端
累了，感觉做yolo 识别差不多了，最近一直刷到qwen3 vl 在rk3588上部署，于是又想搞一个小项目
由于我的罗技c310 可以录视频和录音，所以想着搞一个多模态的项目，录音转文字，qwen3 vl 识别场景，最后播报识别结果，大概结构如上，先搞个粗略的逻辑架构图吧。
晚安[得意]
qwen3vl 多模态 ASR大模型 tts语音