项目简介

speech-to-speech 是 Hugging Face 推出的开源语音对话系统，旨在让开发者用纯开源模型在本地构建低延迟的语音智能体。项目采用经典的 VAD → STT → LLM → TTS 四级级联架构，通过 OpenAI Realtime 兼容的 WebSocket API 对外暴露服务，目前已获 9,400+ Star，Apache 2.0 协议开源。

核心亮点

全模块可替换是该项目最大的设计哲学。VAD（语音活动检测）、STT（语音转文字）、LLM（大语言模型）、TTS（文字转语音）四个环节各自独立，每个环节都提供多个后端实现，通过 CLI 参数即可灵活切换。无论你想用 Whisper 还是 Paraformer 做语音识别，用 OpenAI API 还是本地 llama.cpp 跑大模型，用 Kokoro 还是 ChatTTS 合成语音，都能自由组合。

LLM 部署方式极其灵活：支持托管 API（OpenAI、HF Inference Providers、OpenRouter）、自托管服务器（vLLM、llama.cpp），以及本地进程直接加载（Transformers、mlx-lm）。这意味着从纯云端到完全离线的部署方案都能覆盖。

默认技术栈

快速上手

安装和启动极其简洁：

1
2
3

pip install speech-to-speech
export OPENAI_API_KEY=...
speech-to-speech

启动后即可在 ws://localhost:8765/v1/realtime 获得一个兼容 OpenAI Realtime 协议的 WebSocket 端点，任何兼容该协议的客户端都能直接接入对话。

四种运行模式

项目支持四种部署模式以适应不同场景：

• realtime（默认）：WebSocket + OpenAI Realtime 协议，适合集成到现有应用
• local：直接调用本地麦克风和扬声器进行语音对话
• websocket：原始 PCM 音频流传输，适合自定义前端
• socket：TCP 传输模式

macOS 用户可以通过 --local_mac_optimal_settings 一键启用 MPS 加速的本地优化配置，项目还提供了 Docker Compose 方案（含 llama.cpp + Gemma 4）实现一键部署。

生产级验证

该项目已在生产环境中支撑数千台 Reachy Mini 机器人的对话后端，证明了其在真实场景下的可靠性和低延迟表现。Realtime API 实现了完整的打断处理、实时转录回传和工具调用事件，具备真正的生产可用性。

小结

speech-to-speech 的价值在于把语音对话系统从"调参炼丹"变成了"搭积木组合"——每个环节都可以独立选型和替换，同时又保持了低延迟的生产级品质。无论是想做本地语音助手、机器人对话系统，还是研究语音交互流水线，这都是目前开源生态中最值得关注的项目之一。