vox
一個高效能語音轉文字(STT)與文字轉語音(TTS)處理的通用 AI 工具包,專為低延遲與簡易模型整合而設計。
vox 是什麼?
一個高效能語音轉文字(STT)與文字轉語音(TTS)處理的通用 AI 工具包,專為低延遲與簡易模型整合而設計。
vox 概覽
這是什麼
vox 是一個通用 AI 工具包,專為高效能的語音轉文字(STT)與文字轉語音(TTS)處理而設計。它是一個單一的 Rust 二進位檔,可在本機執行,無需 Python 或雲端服務。它提供多種 TTS 後端、基於 Whisper 的 STT、一個包含 14 個工具的 MCP 伺服器,以及一個用於設定機器上 AI 工具的命令。
主要功能
- 多種 TTS 後端:pocket-tts(candle)、piper(ONNX)、qwen-native(candle)、macOS say 命令,以及 kokoro(ONNX,可選建置)。
- 透過 Whisper(candle)進行語音轉文字,支援 99 種語言,並可使用 CPU、Metal 或 CUDA 加速。
- 語音複製支援:pocket-tts 提供 8 個預設語音,qwen-native 則需要參考錄音。
- 守護行程模式可在呼叫之間保持模型載入,並可設定閒置超時(預設 300 秒)。
- 一個包含 14 個工具的 MCP 伺服器;該伺服器不使用守護行程,並在其自身行程中保持模型載入。
- 環境變數 VOX_TIMINGS=1 會在 stderr 上列印每個步驟的計時資訊。
- 提供 macOS(Apple Silicon)、Linux(x86_64、ARM64)和 Windows(CPU 建置)的預建二進位檔。
使用情境
- 為 AI 程式碼代理提供本地語音:無需雲端依賴的文字轉語音和語音轉文字。
- 需要快速合成的低延遲 TTS 應用,例如語音助理或無障礙工具。
- 離線 STT 用於轉錄 99 種語言的音訊,適合注重隱私的環境。
- 使用參考錄音進行語音複製,以實現個人化的語音合成。
快速開始
bash# 快速安裝(macOS Apple Silicon、Linux x86_64 和 ARM64、WSL2)curl -fsSL https://raw.githubusercontent.com/rtk-ai/vox/main/install.sh | sh# 自訂安裝目錄(無需 sudo)curl -fsSL https://raw.githubusercontent.com/rtk-ai/vox/main/install.sh | VOX_INSTALL_DIR=~/.local/bin sh# Homebrew(macOS Apple Silicon、Linux)brew install rtk-ai/tap/vox
授權與價格
採用 Apache-2.0 授權。此專案為開放原始碼。
內容整理自該專案公開的 README 與儲存庫資訊。