使用场景

开发者可以利用该模型创建一个语音助手，实现语音交互。

研究人员可以使用该模型进行语音识别和语音合成的实验和研究。

教育机构可以将其集成到教学工具中，提高学生对语音技术的理解。

产品特色

语音活动检测（VAD）：使用silero VAD v5。

语音转文本（STT）：使用Whisper模型，包括蒸馏版本。

语言模型（LM）：可以在Hugging Face Hub上选择任何可用的指令模型。

文本转语音（TTS）：使用Parler-TTS，支持不同的检查点。

模块化设计：每个组件都作为类实现，可以根据特定需求进行重新实现。

支持服务器/客户端方法和本地方法运行。

使用教程

克隆仓库到本地环境。

安装所需的依赖。

根据需要配置模型参数和生成参数。

选择运行方式：服务器/客户端方法或本地方法。

如果是服务器/客户端方法，先在服务器上运行模型，然后在客户端处理音频输入和输出。

如果是本地方法，使用回环地址运行。

利用Torch Compile优化Whisper和Parler-TTS的性能。

通过命令行使用模型，指定不同的参数来控制不同部分的行为。