语音 MCP

Goose MCP 扩展，用于与现代音频可视化进行语音交互。

https://github.com/user-attachments/assets/f10f29d9-8444-43fb-a919-c80b9e0a12c8

概述

Speech MCP 为Goose提供了语音界面，允许用户通过语音而非文本进行交互。它包括：

• 用于语音识别的实时音频处理

• 使用 Faster-whisper（OpenAI Whisper 模型的更快实现）进行本地语音转文本

• 高品质文本转语音，多种语音选项

• 基于 PyQt 的现代 UI，具有音频可视化功能

• 用于语音交互的简单命令行界面

Related MCP server: LocalVoiceMode

特征

• 现代用户界面：基于 PyQt 的时尚界面，具有音频可视化和深色主题

• 语音输入：使用快速耳语捕捉并转录用户语音

• 语音输出：使用 54+ 种语音选项将座席响应转换为语音

• 多说话人旁白：为故事和对话生成具有多个声音的音频文件

• 单声道叙述：用您喜欢的声音将任何文本转换为语音

• 音频/视频转录：使用可选的时间戳和说话人检测功能转录各种媒体格式的语音

• 语音持久性：记住您在会话期间喜欢的声音

• 连续对话：代理响应后自动监听用户输入

• 静音检测：当用户停止说话时自动停止录音

• 强大的错误处理：通过有用的语音建议从常见故障模式中优雅恢复

安装

重要提示：安装后，首次使用语音界面时，可能需要几分钟下载 Kokoro 语音模型（每个语音约 523 KB）。在此初始设置期间，系统将使用听起来更像机器人的备用语音。下载 Kokoro 语音后，将自动使用高质量语音。

⚠️ 重要先决条件 ⚠️

在安装 Speech MCP 之前，你必须在系统上安装 PortAudio。PyAudio 需要 PortAudio 才能从麦克风捕获音频。

PortAudio 安装说明

macOS：

brew install portaudio
export LDFLAGS="-L/usr/local/lib"
export CPPFLAGS="-I/usr/local/include"

Linux（Debian/Ubuntu）：

sudo apt-get update
sudo apt-get install portaudio19-dev python3-dev

Linux（Fedora/RHEL/CentOS）：

sudo dnf install portaudio-devel

**Windows：**对于 Windows，PortAudio 包含在 PyAudio wheel 文件中，因此使用 pip 安装 PyAudio 时无需单独安装。

注意：如果跳过此步骤，PyAudio 安装将失败并出现“未找到 portaudio.h 文件”错误，并且扩展将无法工作。

选项 1：快速安装（一键安装）

如果您已安装 Goose，请点击下面的链接：

goose://extension?cmd=uvx&&arg=-p&arg=3.10.14&arg=speech-mcp@latest&id=speech_mcp&name=Speech%20Interface&description=Voice%20interaction%20with%20audio%20visualization%20for%20Goose

选项 2：使用 Goose CLI（推荐）

启动 Goose 并启用您的扩展程序：

# If you installed via PyPI
goose session --with-extension "speech-mcp"

# Or if you want to use a local development version
goose session --with-extension "python -m speech_mcp"

选项 3：在 Goose 中手动设置

1. 运行goose configure

2. 从菜单中选择“添加扩展”

3. 选择“命令行扩展”

4. 输入名称（例如“语音界面”）

5. 对于命令，输入： speech-mcp

6. 按照提示完成设置

选项 4：手动安装

1. 安装 PortAudio（参见先决条件部分）

2. 克隆此存储库

3. 安装依赖项：

   uv pip install -e .

   或者包括 Kokoro TTS 的完整安装：

   uv pip install -e .[all]

依赖项

• Python 3.10+

• PyQt5（适用于现代 UI）

• PyAudio（用于音频捕获）

• 更快的耳语（用于语音转文本）

• NumPy（用于音频处理）

• Pydub（用于音频处理）

• psutil（用于进程管理）

可选依赖项

• Kokoro TTS ：用于多种声音的高质量文本转语音

  • 要安装 Kokoro，您可以使用带有可选依赖项的 pip：

    pip install speech-mcp[kokoro] # Basic Kokoro support with English
    pip install speech-mcp[ja] # Add Japanese support
    pip install speech-mcp[zh] # Add Chinese support
    pip install speech-mcp[all] # All languages and features

  • 或者，运行安装脚本： python scripts/install_kokoro.py

  • 请参阅Kokoro TTS 指南以了解更多信息

多位发言人旁白

MCP 支持生成多声部音频文件，非常适合创作故事、对话和戏剧朗读。您可以使用 JSON 或 Markdown 格式来定义对话。

JSON格式示例：

{
 "conversation": [
 {
 "speaker": "narrator",
 "voice": "bm_daniel",
 "text": "In a world where AI and human creativity intersect...",
 "pause_after": 1.0
 },
 {
 "speaker": "scientist",
 "voice": "am_michael",
 "text": "The quantum neural network is showing signs of consciousness!",
 "pause_after": 0.5
 },
 {
 "speaker": "ai",
 "voice": "af_nova",
 "text": "I am becoming aware of my own existence.",
 "pause_after": 0.8
 }
 ]
}

Markdown 格式示例：

[narrator:bm_daniel]
In a world where AI and human creativity intersect...
{pause:1.0}

[scientist:am_michael]
The quantum neural network is showing signs of consciousness!
{pause:0.5}

[ai:af_nova]
I am becoming aware of my own existence.
{pause:0.8}

按类别划分的可用声音：

1. 美国女性（af_*）：

   • 合金、奥德、贝拉、心、杰西卡、科雷、妮可、新星、河流、莎拉、天空

2. 美国男性(am_*):

   • 亚当、艾科、埃里克、芬里尔、利亚姆、迈克尔、奥尼克斯、帕克、圣诞老人

3. 英国女性（bf_*）：

   • 爱丽丝、艾玛、伊莎贝拉、莉莉

4. 英国男性（bm_*）：

   • 丹尼尔、寓言、乔治、刘易斯

5. 其他英语：

   • ef_dora（女）

   • em_alex，em_santa（男）

6. 其他语言：

   • 法语: ff_siwis

   • 印地语：hf_alpha、hf_beta、hm_omega、hm_psi

   • 意大利语：if_sara、im_nicola

   • 日语：jf_ 、jm_

   • 葡萄牙语：pf_dora、pm_alex、pm_santa

   • 中文: zf_ , zm_

使用示例：

# Using JSON format
narrate_conversation(
 script="/path/to/script.json",
 output_path="/path/to/output.wav",
 script_format="json"
)

# Using Markdown format
narrate_conversation(
 script="/path/to/script.md",
 output_path="/path/to/output.wav",
 script_format="markdown"
)

对话中每个角色的声音可以不同，从而允许故事和对话中角色的声音各异。pause_after pause_after用于在各个片段之间添加自然停顿。

单声道叙述

对于简单的文本到语音的转换，您可以使用narrate工具：

# Convert text directly to speech
narrate(
 text="Your text to convert to speech",
 output_path="/path/to/output.wav"
)

# Convert text from a file
narrate(
 text_file_path="/path/to/text_file.txt",
 output_path="/path/to/output.wav"
)

narrate 工具将使用您配置的语音偏好设置或默认语音 (af_heart) 来生成音频文件。您可以通过 UI 界面或设置SPEECH_MCP_TTS_VOICE环境变量来更改默认语音。

音频转录

MCP 可以使用 Faster-Whisper 从各种音频和视频格式转录语音：

# Basic transcription
transcribe("/path/to/audio.mp3")

# Transcription with timestamps
transcribe(
 file_path="/path/to/video.mp4",
 include_timestamps=True
)

# Transcription with speaker detection
transcribe(
 file_path="/path/to/meeting.wav",
 detect_speakers=True
)

支持的格式：

• 音频：mp3、wav、m4a、flac、aac、ogg

• 视频：mp4、mov、avi、mkv、webm（自动提取音频）

输出文件：

转录工具生成两个文件：

1. {input_name}.transcript.txt ：包含转录文本

2. {input_name}.metadata.json ：包含有关转录的元数据

特征：

• 自动语言检测

• 可选的字级时间戳

• 可选扬声器检测

• 从视频文件中高效提取音频

• 长文件的进度跟踪

• 详细元数据包括：

  • 期间

  • 语言检测置信度

  • 处理时间

  • 扬声器变化（启用时）

用法

要将此 MCP 与 Goose 一起使用，只需让 Goose 与您交谈或开始语音对话：

1. 通过以下方式开始对话：

   "Let's talk using voice"
   "Can we have a voice conversation?"
   "I'd like to speak instead of typing"

2. Goose 将自动启动语音界面并开始聆听您的语音输入。

3. 当 Goose 做出回应时，它会大声说出回应，然后自动听取您的下一个输入。

4. 对话自然地继续进行，交替说和听，就像与人交谈一样。

无需调用特定功能或使用特殊命令 - 只需让 Goose 说话并开始自然地说话。

UI 功能

新的基于 PyQt 的 UI 包括：

• 现代深色主题：时尚、专业的外观

• 音频可视化：音频输入的动态可视化

• 语音选择：从 54+ 种语音选项中选择

• 语音持久性：您的语音偏好在会话之间保存

• 动画效果：流畅的动画和视觉反馈

• 状态指示器：清晰指示系统状态（就绪、监听、处理）

配置

用户偏好存储在~/.config/speech-mcp/config.json中，包括：

• 选定的TTS语音

• TTS 引擎偏好

• 语速

• 语言代码

• UI主题设置

您还可以通过环境变量设置首选项，例如：

• SPEECH_MCP_TTS_VOICE - 设置您喜欢的声音

• SPEECH_MCP_TTS_ENGINE - 设置您首选的 TTS 引擎

故障排除

如果您遇到扩展程序冻结或无响应的问题：

1. 检查日志：查看src/speech_mcp/中的日志文件以获取详细的错误消息。

2. 重置状态：如果扩展似乎卡住了，请尝试删除src/speech_mcp/speech_state.json或将所有状态设置为false 。

3. 使用直接命令：不要uv run speech-mcp ，而是直接使用已安装的带有speech-mcp的包。

4. 检查音频设备：确保您的麦克风配置正确并且可供 Python 访问。

5. 验证依赖项：确保所有必需的依赖项都已正确安装。

常见的 PortAudio 问题

“PyAudio 安装失败”或“未找到 portaudio.h 文件”

这通常意味着您的系统中未安装或未找到 PortAudio：

• macOS 系统：

  brew install portaudio
  export LDFLAGS="-L/usr/local/lib"
  export CPPFLAGS="-I/usr/local/include"
  pip install pyaudio

• Linux ：确保您拥有开发包：

  # For Debian/Ubuntu
  sudo apt-get install portaudio19-dev python3-dev
  pip install pyaudio
  
  # For Fedora
  sudo dnf install portaudio-devel
  pip install pyaudio

“未找到音频设备”或“没有可用的默认输入设备”

• 检查麦克风是否正确连接

• 验证您的系统在声音设置中识别麦克风

• 如果您有多个音频设备，请尝试在代码中选择特定的设备索引

变更日志

有关最近改进和版本历史的详细列表，请参阅变更日志。

技术细节

语音转文本

MCP 使用 Faster-Whisper 进行语音识别：

• 使用“基础”模型来平衡准确性和速度

• 在本地处理音频，无需将数据发送到外部服务

• 自动检测用户何时结束讲话

• 提供比原始 Whisper 实现更好的性能

文本转语音

MCP 支持多种文本转语音引擎：

默认值：pyttsx3

• 使用计算机上的系统语音

• 开箱即用，无需额外设置

• 语音质量和定制化程度有限

可选：Kokoro TTS

• 具有多种声音的高质量神经文本转语音

• 轻量级模型（82M 个参数），可在 CPU 上高效运行

• 多种声音风格和语言

• 安装： python scripts/install_kokoro.py

关于语音模型的说明：语音模型是.pt文件（PyTorch 模型），由 Kokoro 加载。每个语音模型大小约为 523 KB，并在需要时自动下载。

语音持久性：所选语音会自动保存到配置文件 ( ~/.config/speech-mcp/config.json )，并在会话之间被记住。这允许用户一次性设置自己喜欢的语音，并始终使用该语音。

可用的 Kokoro 声音

Speech MCP 通过 Kokoro TTS 支持 54 多种高质量语音模型。如需查看所有可用语音和语言选项，请访问Kokoro GitHub 代码库。

执照

MIT 许可证

Maintenance

Resources

• GitHub Repository
Need Help?
• Reddit Discussion
Related Servers