AI导哈

语音工具服务器

一个本地MCP服务器，提供语音转文本和文本转语音工具，适用于Claude Code的语音交互。

  • by jochiang
  • Python
  • 本地部署
  • 2 星标
  • 更新于
在 GitHub 查看 jochiang/voice-mcp

使用说明

语音mcp

一个本地MCP服务器，为Claude Code提供语音工具——使用Whisper的语音转文本和使用Supertonic的文本转语音。

特性

语音转文本（耳语）

  • 倾听与确认 -录制语音，用Whisper转录，返回转录本确认
  • 听_是_否 -二元决策的快速是/否检测
  • 使用本地转录 更快的耳语 （没有API调用）
  • 自动静音检测以停止录制
  • 音频蜂鸣声表示录音开始/结束

文本转语音（Supertonic）

  • 说 -向用户大声朗读文本
  • 使用局部合成 Supertonic （没有API调用）
  • 快速设备生成（66M参数）

组合工具

  • speak_and_listen -先说话，然后听完整的回答（减少往返次数）
  • speak_and_confirm -先说，然后听是/否（减少往返次数）

需求

  • Python 3.10+
  • 紫外线 包管理器
  • 麦克风（用于语音转文本）
  • 扬声器/耳机（用于文本转语音）

安装

  1. 克隆存储库：

    git clone https://github.com/jochiang/voice-mcp.git
cd voice-mcp

  2. 安装依赖项：

    uv sync

  3. 添加到您的Claude Code MCP设置中(.mcp.json 在您的项目或 ~/.claude/settings.json):

    {
  "mcpServers": {
    "voice": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/voice-mcp", "voice-mcp"]
    }
  }
}

  4. 重新启动Claude Code以加载MCP服务器。

用法

语音输入

通过说出以下内容来触发语音输入：

  • “让我口头解释一下”
  • “我口头告诉你”

克劳德会打电话的 listen_and_confirm，您将听到一声蜂鸣声，说出您的回答，并在录制停止时听到另一声蜂鸣。克劳德将把成绩单重复一遍以供确认。

对于是/否问题，Claude可以使用 listen_for_yes_no 它将你的回答解释为“是”、“否”或“不清楚”。

语音输出

请克劳德回答：

  • “大声说出来”
  • “读给我听”

克劳德会打电话的 speak 通过扬声器合成和播放音频。

语音对话

对于来回语音对话，Claude可以使用组合工具：

  • speak_and_listen -问一个问题，等待完整的答案
  • speak_and_confirm -提出是/否问题并获得确认

这些通过在单个工具调用中结合说话+倾听来减少延迟。

动态静音检测

所有听力工具都接受 silence_seconds 参数（默认值：2.5，最小值：2.0）。Claude可以根据上下文调整每次通话的静音时间——例如，如果用户需要更多时间思考，可以使用更长的静音时间，或者缩短静音时间以快速确认。

自定义语音行为

工具描述包括克劳德说话的默认指导。要自定义此行为，请向您的 CLAUDE.md 文件。示例：

# Voice preferences
- When speaking, be brief and conversational
- Describe code changes at a high level, don't read syntax
- Summarize URLs instead of spelling them out

你可以鼓励不同的风格——更详细的解释、不同的语气等。

备注

  • 首次运行下载：型号首次使用时自动下载-Whisper small（~460MB）和Supertonic（~260MB）
  • 静音检测：静音2.5秒后停止录制（每次通话可配置，至少2.0秒）
  • 平台：在Windows上开发，应适用于macOS/Linux

故障排除

TTS无音频输出：

  • 某些DAC需要立体声输出-默认情况下，语音工具输出立体声
  • 检查默认音频输出设备

录制停止过快：

  • 静音阈值可能对您的麦克风过于敏感
  • 调整 SILENCE_THRESHOLD 在 src/voice_mcp/audio.py （默认值：0.01）
  • 克劳德也可以通过更高的 silence_seconds 每次调用的参数（默认值：2.5，最小值：2.0）

录制停止得不够快：

  • 克劳德可以通过一个较低的 silence_seconds 参数（最小2.0秒）

配置

耳语（语音转文本）

Whisper模型默认为 small 在CPU上运行。要更改此设置，请编辑 src/voice_mcp/transcribe.py:

# Model options: tiny, base, small, medium, large-v3
_model = WhisperModel("small", device="cpu", compute_type="int8")

对于GPU加速，请更改 device="cpu" 到 device="cuda" （需要cuDNN）。

Supertonic（文本转语音）

默认语音为 M1。可用的声音可以在 超高音声音库.

许可证

麻省理工学院

相关 MCP