AI实时语音聊天对话系统，外语口语陪练/虚拟好友实时语音交流

AI 实时语音对话系统 是一款集语音识别（ASR）、大语言模型（LLM）对话、语音合成（TTS）于一体的实时语音交互软件。用户通过麦克风说话，系统自动识别语音内容并转为文字，交由 AI 角色进行智能回复，最终将回复内容合成为语音实时播放，实现端到端的自然语音对话体验。本来想测试英伟达的personaplex，但是发现personaplex不支持中文，一时兴起就做了当前这个软件。

软件功能特点

1. 全链路实时语音对话

• 语音输入 → 语音输出：用户只需点击录音按钮说话，系统自动完成”语音识别 → AI 推理 → 语音合成 → 语音播放”的完整闭环。
• 流式处理：ASR 文本、LLM 回复、TTS 音频均采用流式传输，AI 的思考过程和语音播报几乎同步呈现，延迟低、体验流畅。
• WebSocket 实时通信：前后端通过 WebSocket 保持长连接，支持双向实时数据传输。

2. 多角色 AI 对话

内置 7 种不同性格的 AI 角色，每个角色拥有独立的系统提示词和语音音色，用户也可以自定义角色：

3. 智能语音处理

• 语音活动检测（VAD）：可配置音量阈值和静音超时时间，自动判断用户是否说完话。
• 降噪与回声消除：内置回声消除、噪声抑制、自动增益控制；播报 AI 回复时自动静音麦克风输入，防止扬声器声音被重新识别。
• PCM16 音频编码：麦克风采集 16kHz 采样率音频；TTS 输出 22050Hz 采样率音频，Web Audio API 精确调度实现无缝播放。

4. 灵活的大模型配置

• 兼容 OpenAI 标准 API：支持任意兼容 OpenAI API 标准的模型提供商，如果还没有大语言模型API，可点击立即注册>>
• 用户可自定义 Base URL、API Key、Model 名称,Model建议使用gpt-5.4-mini，响应速度最快。
• 可调参数：支持调节 Temperature（温度）、Max Tokens（最大生成长度），适应不同场景下的回复风格需求。

5. 可视化操作界面

• 三栏布局：左侧显示语音识别实时文本、中间展示对话历史、右侧显示 AI 完整回复。
• 录音状态指示：彩色指示灯显示当前状态（待机/识别中/AI思考中/AI说话中），一目了然。
• 角色一键切换：点击角色按钮即可切换，无需重启软件。

使用场景

1. 外语口语练习

• 使用 Lucy 练习英语口语，获得实时对话反馈和语法纠错。
• 使用 Sakura 练习日语口语，沉浸式日语对话环境。
• 使用 Ah-May 练习粤语口语，学习地道粤语表达。

2. 日常聊天陪伴

• 选择 银月 天南海北聊天，获取”八卦情报”般的趣味对话。
• 选择 陈巧倩 倾诉心事，获得温柔共情的倾听和回应。
• 选择 南宫婉、范静梅 体验不同风格的对话乐趣。

3. 本地化 AI 体验

• 软件运行在本地服务器（127.0.0.1:7860），数据无需经过第三方服务器（除 LLM API 调用外），隐私性较好。
• 支持本地 TTS 模型（CosyVoice）。

注意事项

1. 需要麦克风权限：首次使用时，浏览器会请求麦克风访问权限，请务必允许。
2. 需要 LLM API Key：软件本身不内置大模型 API Key，需用户自行在设置页面配置有效的 Base URL 和 API Key 方可使用对话功能。
3. 网络要求：LLM 对话功能需要联网（调用远程 API）；ASR 和 TTS 可在本地运行。
4. 性能建议：TTS 语音合成和 ASR 语音识别均消耗一定的 CPU/GPU 资源，建议英伟达显卡显存4G以上电脑使用。如遇卡顿，可适当提高音量阈值以减少不必要的音频处理。
5. 扬声器回声：使用外放时，AI 回复的语音可能被麦克风重新拾取。建议佩戴耳机使用以获得最佳体验；软件也内置了”播报后静默期”机制来缓解此问题。
6. 浏览器兼容：推荐使用 Chrome、Edge 等基于 Chromium 内核的现代浏览器，以确保 WebSocket 和 Web Audio API 的正常运行。
7. 首次启动较慢：首次运行时会稍慢，请耐心等待。后续启动速度会明显加快。

快速开始

1. 双击 0启动软件.bat 启动后端服务。
2. 打开浏览器访问 http://127.0.0.1:7860。
3. 点击页面底部”设置”，填入 API Base URL 和 API Key。
4. 选择一个角色（如 Lucy、银月等）。
5. 点击”开始录音”按钮，开始语音对话。

AI实时对话软件下载链接

https://pan.quark.cn/s/dfc1e9fa9784