我奶奶最好的食谱从未被写下来过。
问她放多少盐，她说"ek mutthi。"问放多少酥油，答案是"thoda sa。"问要煮多久，答案是"jab tak khushboo aaye。"她的食谱存在于她的双手和记忆中，总有一天会随她一同消失。
我想把它们保存下来。但录下她并把音频上传到云端 AI 感觉不对。这些是我家人私密的声音，存放在我无法控制的服务器上。而且大多数云端模型会把她的印地英语压平成僵硬、机械的步骤，丢失了那些让食物成为她的食物的小谚语和故事。
所以为了 "Build for a Friend" 挑战赛，我为她做了一样东西。
我做了什么
Dadi ki Rasoi把她的语音笔记变成一本可打印的家庭食谱书。一切都在我自己的笔记本电脑上运行。
- 她做饭时说话，我录下来。
- faster-whisper在本地转写印地语/印地英语音频。
- 一个本地 LLM 运行在Ollama（Qwen 和 Llama）把转写文本变成结构化的食谱。
- 印度本土计量单位变成真实的用量。"Ek mutthi namak"变成以克为单位的近似重量，但她的原话始终紧挨在旁边。
- 她的谚语和故事被逐字保留在每份食谱的 "Dadi ki baat" 框里。
- 所有内容导出为一本可打印的 PDF 书，带有封面、索引，每页一份食谱，并支持天城文字体。
代码： https://github.com/vidishagupta/Dadi-ki-Rasoi
在线演示： https://web-omega-lac-94.vercel.app/
*视频链接：* https://youtu.be/ykddENDuHm4?si=EDGMLkfrp-iUk2Rd
关于在线演示的说明：Whisper 和 Ollama 是重型模型，无法在无服务器托管上运行。所以托管版本以 Demo Mode 运行，使用来自真实流水线的已保存结果。完整的离线 AI 流水线在本地运行，Decision.md 中有设置步骤。
为什么开源很重要
对这个项目来说，开源不是加分项。它就是全部意义所在。
| 开源模型（本项目） | 闭源云端 API | |
|---|---|---|
| 隐私 | 她的声音从不离开我的笔记本电脑 | 音频上传到第三方服务器 |
| 离线 | 在飞行模式下也能用 | 需要联网 |
| 成本 | 免费运行 | 按请求付费 |
| 更换模型 | 在 Qwen 和 Llama 之间切换并比较 | 锁定在某一家厂商的模型上 |
| 控制权 | 我自己的提示词和我自己的测量表 | 定制受限 |
有三件事起了关键作用：
- 隐私：家人的声音是私密的。使用本地的 Whisper 和 Ollama，根本不存在上传这一步。
- 离线：整条流水线在关闭 Wi-Fi 的情况下也能运行，所以任何人都可以在飞行模式下验证它。
- 模型切换：这个应用有一个对比视图，可以把同一份转录文本分别通过 Qwen 和 Llama 并排运行。不同的模型对“ek mutthi”和“thoda sa”的理解不同，而使用开源模型，我可以看到这一点并做出选择，而不是去信任一个黑箱。
我还自己写了一份印度本地计量单位对照表（mutthi、chutki、katori 等），并把它喂给模型，这样换算就能保持一致。这种控制力很难从封闭的 API 那里获得。
我学到了什么
诚实胜过自信。Dadi 的计量本质上都是估算。所以应用会标记出低置信度的食材，食谱编辑器会把原始转录文本显示在结构化食谱旁边，这样在打印之前，人可以修正任何内容。绝不允许 AI 凭空编造她没有说过的食材或步骤。
保留她的声音，而不只是她的步骤。一份食谱不只是用量。把她自己的话和小故事保留在书里，才让它成为她的书，而不是一张通用的食谱卡。
了解托管平台能做什么。重型本地模型无法适配无服务器平台，所以我为在线链接做了一个 Demo Mode，并把真正的流水线保持为本地优先，这本来也符合整个理念。
局限：Whisper 可能会听错地方性词汇，或在嘈杂的厨房里出错，较小的本地模型可能会漏掉一个步骤，而克数换算也是近似的。这就是为什么在打印之前，所有内容都保持可编辑。
真正的考验
这个项目是为一个真实的人而做的。目标从来都不是一个完美的演示。它是一本印出来、放在我 dadi 手里的书，里面是她用自己的话讲述的食谱，让她的孙辈们在很久以后仍能照着做菜。
下一步
更多地方语言、更好地处理嘈杂的厨房，以及在每道菜的食谱页上放一张照片。
这个项目是开源的，也对 Hacktoberfest 友好。如果你的家里也有只存在于某个人脑海中的食谱，fork 它，在它们失传之前把它们记录下来。
GitHub： https://github.com/vidishagupta/Dadi-ki-Rasoi
这是为以下活动提交的作品：Hacktoberfest 周末挑战：为朋友而构建