（868期）Her Voice – 本地 AI 语音引擎，零延迟自然发声

本地 AI 语音引擎，零延迟自然发声 Her Voice 是一款基于本地 Kokoro TTS 引擎的语音合成技能，支持实时流式播放、声线混合、可视化特效，无需 API 密钥即可为 AI Agent 赋予自然人声。 使用说明 Her Voice 是一套完整的本地文本转语音（TTS）解决方案，专为希望让 AI Agent 具备语音能力的用户设计。核心引擎采用 Kokoro 82M 模型，通过 MLX（Apple Silicon 原生加速）或 PyTorch（跨平台）双后端运行，实现完全离线、零 API 费用的语音合成。 核心用法 基础语音输出：安装后通过 speak.py "文本" 即可发声，支持管道输入、文件保存、声速调节等常用功能。流式体验：采用即时生成即时播放技术，配合常驻内存的 TTS Daemon，首响延迟可低至 0.3 秒，远快于传统的批量生成模式。声线定制：除预设语音外，支持通过 voice_blend 配置混合多种声线，创造独特角色音色。可视化特效（macOS 独占）：60fps 浮动 LED 条实时响应音频，支持拖拽播放、剪贴板粘贴朗读等交互模式。通知音效：调用系统音效在 TTS 生成前播放，提供即时反馈，消除"静默等待"焦虑。 显著优点 完全本地化：无需网络连接、无 API 密钥、无订阅费用，隐私数据不出设备 极低延迟：Daemon 常驻内存 + 流式架构，响应速度接近实时对话 高度可配置：从声线混合、语速、通知音效到可视化主题均可自定义 跨平台兼容：MLX 后端在 Apple Silicon 上性能最优，PyTorch 后端覆盖 Linux 及 Intel Mac 工程细节完善：自动检测 Daemon、错误提示详尽、支持非英语姓名注音（usernametts） 潜在局限 平台限制：可视化组件与通知音效仅支持 macOS，Windows 完全不支持 资源占用：Daemon 常驻需约 2.3GB 内存，低端设备可能吃力 首次配置复杂：需安装 Xcode 工具链、espeak-ng、多虚拟环境，对非技术用户门槛较高 声线质量依赖模型：Kokoro 虽轻量（82M），但情感表现力仍逊于云端大模型（如 ElevenLabs） 中文支持存疑：文档未明确提及中文 TTS 能力，Kokoro 训练数据以英语为主 适合人群 Apple Silicon Mac 用户追求极致本地语音体验 对隐私敏感、拒绝云端 TTS 服务的开发者 需要为 AI Agent 打造专属角色音色的创意项目 具备命令行操作能力、能独立解决环境配置问题的技术用户 常规风险 内存泄漏风险：Daemon 长期运行可能累积内存碎片，建议定期重启 音频权限问题：macOS 可能阻止音频输出，需在系统设置中手动授权 模型文件完整性：下载中断或磁盘空间不足可能导致模型损坏，需重新运行 setup 版本漂移：PyTorch/MLX 后端与模型版本不匹配时可能产生静默错误或音质下降 非英语发音：非英语姓名需手动配置 phonetic spelling，否则可能出现尴尬误读 原始说明 Give your agent a voice. Use when the user wants the agent to speak, read aloud, or have voice responses.