speech-to-speech

huggingface/speech-to-speech 是一个用于构建本地语音代理的开源项目。它通过整合语音活动检测（VAD）、语音转文字（STT）、语言模型（LM）和文字转语音（TTS）四个模块，实现端到端的语音交互功能。该项目支持多种主流模型，如Silero VAD、Whisper STT、Hugging Face Hub上的多种语言模型以及多个高质量TTS方案，确保了高度的灵活性与可扩展性。其设计注重模块化，便于用户根据需求更换或自定义各个组件。此外，speech-to-speech 提供了包括实时处理、服务器/客户端模式、WebSocket通信等多种使用方式，适用于开发智能助手、语音识别系统等场景。