Speech MCP Echo

语音MCP回声

基于: Kvadratni/演讲mcp -最初的演讲MCP项目

多个AI CLI的语音界面-Claude Code、Gemini CLI、Codex CLI和MCP兼容工具。

特性

• 多CLI支持：适用于Claude Code、Gemini CLI、Codex CLI和任何MCP兼容工具
• 持续倾听 *（v0.2.0中的新功能）*：无阻塞后台监听，静音时自动重试
• 可配置STT：本地（更快的耳语）或云（Groq耳语、OpenAI耳语、谷歌语音）
• 可配置TTS：本地（pyttsx3）或云（谷歌云TTS、OpenAI TTS）
• 双语支持：英文和中文（繁体/简体）文本处理
• JARVIS摘要生成器：将长篇回答浓缩为简洁、有趣的摘要

快速开始

安装

# From git (recommended)
pip install 'speech-mcp-echo[recommended] @ git+https://github.com/lukechi1219/speech-mcp-echo.git@v0.2.1'

# Or from wheel
pip install 'speech-mcp-echo[recommended] @ https://github.com/lukechi1219/speech-mcp-echo/releases/download/v0.2.1/speech_mcp_echo-0.2.1-py3-none-any.whl'

CLI集成

克劳德代码（主要目标）

增添 ~/.claude.json:

{
  "mcpServers": {
    "speech-mcp-echo": {
      "command": "speech-mcp-echo"
    }
  }
}

可选的：自动批准中的语音工具 ~/.claude/settings.json 为了避免出现确认提示：

{
  "permissions": {
    "allow": [
      "mcp__speech-mcp-echo__start_conversation",
      "mcp__speech-mcp-echo__voice_listen",
      "mcp__speech-mcp-echo__voice_speak",
      "mcp__speech-mcp-echo__voice_reply",
      "mcp__speech-mcp-echo__voice_config",
      "mcp__speech-mcp-echo__voice_status",
      "mcp__speech-mcp-echo__start_listening",
      "mcp__speech-mcp-echo__check_listening",
      "mcp__speech-mcp-echo__cancel_listening"
    ]
  }
}

然后重新启动Claude Code并说： “让我们进行一次语音对话”

其他CLIs

Goose命令行界面:

goose session --with-extension "speech-mcp-echo"

Gemini CLI：添加到 ~/.gemini/settings.json （格式与克劳德代码相同）

Codex CLI：添加到 ~/.codex/config.toml:

[mcp_servers.speech-mcp-echo]
command = "speech-mcp-echo"

为什么选择这些技术？

STT：Groq Whisper（推荐）

我们选择了 Groq Whisper API 作为推荐的STT发动机，原因如下：

• 准确的：使用whisper-large-v3-turbo模型（WER约为12%，本地基础模型约为23%）
• 快速燃烧：Groq LPU硬件上的216倍实时速度
• 没有本地资源：无模型下载，无GPU/CPU负载
• 慷慨的免费套餐：API免费，价格优惠
• 简易设置：刚刚设置 GROQ_API_KEY 环境变量
• OpenAI兼容：使用相同的 openai 具有不同基本URL的SDK

# Set your Groq API key (get one free at https://console.groq.com)
export GROQ_API_KEY="gsk_..."

STT：更快的耳语（当地替代方案）

更快的耳语 是完全离线操作的良好替代方案：

• 轻量级：大约150MB，而OpenAI的原始耳语大约1.5GB
• 快速：使用CTranslate2优化，比原始耳语快4倍
• 离线：完全离线工作，无API成本
• CPU友好：在采用int8量化的CPU上运行良好

TTS:谷歌云TTS（推荐）

我们选择了 谷歌云TTS 作为主要的TTS发动机，因为：

• 没有严重的依赖关系：与需要PyTorch（~2GB）的Kokoro不同，Google Cloud TTS使用简单的REST API
• 高质量：具有自然韵律的神经声音
• 多语言：对英语、中文（繁体/简体）和40多种语言的出色支持
• 灵活的身份验证：多种身份验证方法（见下文）
• 成本效益高：免费等级包括400万字符/月
• 跨平台：适用于macOS、Linux和Windows

Google Cloud TTS身份验证选项

选择最适合您的设置的方法：

选项A:gcloud CLI（推荐给开发人员）

# Install gcloud CLI
brew install google-cloud-sdk  # macOS
# or: https://cloud.google.com/sdk/docs/install

# Login and configure
gcloud auth login
gcloud config set project YOUR_PROJECT_ID

选项B：服务帐户（建议用于服务器/生产）

# 1. Create service account in Google Cloud Console
#    - Go to IAM & Admin > Service Accounts
#    - Create account with "Cloud Text-to-Speech API User" role
#    - Download JSON key file

# 2. Set environment variable
export GOOGLE_APPLICATION_CREDENTIALS="/path/to/service-account-key.json"

# 3. Optionally set project ID (if not in key file)
export GOOGLE_CLOUD_PROJECT="your-project-id"

选项C:Python客户端库

# Install the library
pip install google-cloud-texttospeech

# Then use Option A or B for authentication
# The library will auto-detect credentials

适配器会自动按顺序尝试这些方法，并使用第一个有效的方法。

为什么不是科科罗？

Kokoro是一款出色的本地TTS引擎，但它需要：

• PyTorch（约2GB下载）
• CUDA实现最佳性能
• 其他语言模型（misaki）

对于大多数用户来说，Google Cloud TTS通过更简单的设置提供了更好的质量。Kokoro仍然是喜欢完全离线操作的用户的可选本地替代品。

配置

配置存储在 ~/.config/speech-mcp-echo/config.json:

{
  "stt": {
    "engine": "groq",
    "model": "whisper-large-v3-turbo",
    "language": "auto",
    "timeout": 45,
    "silence_retry_count": 10,
    "retry_prompt_type": "beep"
  },
  "tts": {
    "engine": "google",
    "voice": "cmn-TW-Standard-B",
    "language": "cmn-TW"
  },
  "summarizer": {
    "enabled": true,
    "personality": "jarvis",
    "language": "en"
  }
}

连续收听设置

### Supported Languages

| Language | STT (Groq/faster-whisper) | TTS (Google Cloud) |
|----------|---------------------------|-------------------|
| English | ✅ | ✅ en-US, en-GB |
| Chinese (Traditional) | ✅ | ✅ cmn-TW |
| Chinese (Simplified) | ✅ | ✅ cmn-CN |
| Japanese | ✅ | ✅ ja-JP |

### Environment Variables

API keys are read from environment variables:

- `GROQ_API_KEY` - For Groq Whisper STT (recommended)
- `OPENAI_API_KEY` - For OpenAI Whisper STT and TTS
- `GOOGLE_APPLICATION_CREDENTIALS` - For Google Cloud services (optional if using gcloud CLI)
- `ANTHROPIC_API_KEY` - For Claude-based summarization

## Architecture

src/演讲_mcp_echo/ ├── __初始化__.py#主要入口点 ├── __主要的__.py#模块执行 ├── audio_processor.py#音频捕获、播放、提示 ├── constants.py#集中式常量 ├── server.py#统一MCP服务器（所有工具） ├── config/#配置管理 ├── core/ │ └── voice_engine.py#STT、TTS、摘要 ├── 资源/ │ └── audio/#音频提示文件（.wav） ├── stt_adapters/#语音转文本引擎 │ ├── groq_whisper_adapter.py#云（推荐） │ ├── faster_withper_adapter.py#本地 │ ├── openai_whisper_adapter.py#云 │ └── google_speech_adapter.py#云 ├── tts_adapters/#文本转语音引擎 │ ├── google_tts_adapter.py#云（推荐） │ └── openai_tts_adapter.py#云 ├── 摘要/#响应摘要 │ ├── local_summarizer.py#基于JARVIS个性的规则 │ └── llm_summarzer.py基于llm（占位符） └── utils/ └── logger.py#集中式日志记录

## Development

Clone and install in development mode

git clone https://github.com/lukechi1219/speech-mcp-echo.git cd speech-mcp-echo pip install -e ".[dev]"

Run tests

pytest tests/

## 许可证

麻省理工学院

## 学分

改编自 [Kvadratni/演讲mcp](https://github.com/Kvadratni/speech-mcp) 支持多CLI。