speech-to-speech

环境要求

• Python 3.10+，推荐 Python 3.11
• 需在已激活的虚拟环境中安装并运行
• Ubuntu 需先安装本地音频库 libportaudio2、libsndfile1
• 首次运行需联网下载并预热模型
• 资源参考：Apple Silicon 建议 16GB 以上统一内存；NVIDIA 建议 24GB 显存

安装与启动步骤

1. 1创建虚拟环境

   在项目目录下用 Python 3.10+ 创建名为 .venv 的虚拟环境，环境需自行准备。

   python3 -m venv .venv

   复制

2. 2激活虚拟环境

   激活后所有安装与运行都必须在同一环境内，其他终端运行前也要先激活。

   source .venv/bin/activate

   复制

3. 3装系统音频库

   仅 Ubuntu/Linux 需要，用于本地音频输入输出；其他系统可跳过此步。

   sudo apt-get install libportaudio2 libsndfile1

   复制

4. 4安装项目包

   从 PyPI 安装，默认已包含 STT、OpenAI 兼容 LLM 接口、TTS 与实时服务依赖。

   pip install speech-to-speech

   复制

5. 5启动本地语音代理

   首次运行会先下载并预热模型，随后连接麦克风；允许麦克风权限后说话并停顿。

   speech-to-speech local

   复制

6. 6Docker 方式启动

   另一种方案：先装 NVIDIA Container Toolkit，再启动 compose，含 llama.cpp 与实时服务器。

   docker compose up

   复制

如何确认成功

终端连接麦克风后，对其说话并停顿，能听到语音回复即成功；Ctrl+C 停止。Docker 方式会监听 8080 与 8765 端口。

常见问题

注意事项

• 每个运行 speech-to-speech 的终端都要先激活同一个虚拟环境。
• 建议使用耳机，避免扬声器声音被麦克风拾取造成反馈。
• 首次模型下载需要联网，全本地配置之后可离线使用。
• 使用托管 LLM 时，转写文本、指令和对话历史会发送给服务商，麦克风音频仍留在本地。