为任意代理/工具提供自托管语音（开源）

一直以来，我都在维护 tts-bench（https://github.com/5uck1ess/tts-bench）和一个盲测投票竞技场（https://5uck1ess-tts-arena.hf.space），用户可以在不知道模型名称的情况下进行开放文本转语音（TTS）模型的 A/B 测试。我一直想解决的一个问题是：让代理在完成任务后与我对话（或直接打电话给我）。/voice（Claude Code 的功能）或任何听写工具（如 wispr flow 等）都是单向的。因此，这个项目实现了双向对话：https://github.com/5uck1ess/cicero。它与 Hermes Agent（https://github.com/nousresearch/hermes-agent）配合得很好，支持多个配置文件（每个配置文件可以有自己的 TTS 语音和个性）。它还可与 Claude Code、Codex、Gemini CLI、任何支持 ACP（Agent Client Protocol）的工具，或者任何兼容 OpenAI 的端点配合使用。如果你在本地运行语音转文本（STT）和 TTS，你的音频数据绝不会离开你的设备。它可以通过 Telegram 机器人发送消息或直接通过 Telegram 打电话给你。你也可以在本地或通过浏览器（远程服务器）进行交互。可能还有一些 bug，欢迎提交拉取请求（PR）或 issue。构建过程中让我感到惊讶的几点：约 1 秒的响应时间来自于逐句流式回复，而不是选择更快的 TTS 语音。克隆的声音效果差是因为参考片段的问题，而不是模型本身。去掉开头的 1 秒静音比更换模型带来的提升更大。使用基于能量 VAD（仅监测音量的语音活动检测）的打断功能（在句子中间打断代理）毫无用处，因为打字声也会触发它。需要在前面加一个小型语音模型，使其仅在实际语音时触发。