想搭本地实时语音 Agent？Hugging Face 开源了这套流水线：speech-to-speech 把语音检测、识别、LLM 对话和语音合成串成一条链路，各模块都能替换，接口设计接近 OpenAI Realtime，上手成本不高。
默认搭配：识别可用 Parakeet，合成可用 Qwen3-TTS；中间的 LLM 支持本地服务，也支持兼容接口。Whisper、ChatTTS 等也能作为可选后端插进来。可全本地运行，也能只把转写文本交给云端模型，灵活度很高。
实话先说在前面：全本地部署对内存和显存要求不低，实际延迟和效果取决于硬件、量化和部署方式，不是装好就能直接做商用实时通话。另外用它克隆音色前，务必确认你有授权。项目采用 Apache-2.0 协议，适合自建语音 Agent、做研究和模型替换实验。地址：
正文完