Speaches 本地语音 API

要解决的具体问题

当你的 Agent 技术栈依赖 OpenAI 风格的音频接口（如 /audio/transcriptions、/audio/translations、/audio/speech）时，若语音数据需留在本地、不经过第三方托管服务，又不想修改现有客户端的请求逻辑，本地化兼容接口会成为更可控的选择。

核心能力与工作原理

• 兼容现有技术栈：技能基于 Speaches 构建后端，直接暴露与 OpenAI 匹配的音频端点，现有客户端无需调整请求结构即可调用本地服务。
• 覆盖三类核心任务：支持本地语音转录（将音频转为文本）、语音翻译（直接翻译音频内容）、文本转语音（TTS，将文本生成音频），满足 Agent 中语音处理的基础需求。
• 部署依赖明确：需要 Docker 或 Python 部署环境、CPU/GPU 运行时、已适配的语音模型，以及可调用 OpenAI 兼容接口的客户端或 Agent 栈。

适用边界与注意点

• 仅聚焦「本地化兼容接口」，不替代 OpenAI 官方 API 的所有功能，需根据实际任务验证接口兼容性。
• 安装步骤、模型适配细节需参考上游 Speaches 文档，技能未额外封装部署脚本或配置模板。
• 实时语音 API（Realtime API）的具体用法需以上游文档为准，避免直接套用 OpenAI 实时接口逻辑。