speech-to-speech Skill 技能

speech-to-speech 是 HuggingFace 开源的端到端语音对话框架，将语音识别（ASR）、大语言模型（LLM）和语音合成（TTS）三大模块串联成统一的语音到语音 Agent，支持语音输入后直接输出语音回应，中间无需经过文本转录。

核心解决问题：大多数语音 AI 系统是 ASR → LLM → TTS 三段式串联，每段都有延迟和信息损失。speech-to-speech 做了端到端优化，各模块可以独立替换成更好的模型，整体延迟更低、对话更自然。

主要功能： • 端到端语音对话：语音进、语音出，不需要文字作为中间载体 • 模块可替换：ASR、LLM、TTS 三大模块均可替换成其他开源或商业模型 • 支持实时对话：流式处理，响应速度够用于实时语音交互 • HuggingFace 生态集成：直接用 HuggingFace 模型，AutoModel 加载，无需自己配置推理 • 实际部署案例：已作为 HuggingFace 机器人 Reachy Mini 的语音对话后端生产使用

适用场景：需要搭建语音助手、语音客服、实时翻译耳机等语音 AI 产品的开发者；需要在自己应用中嵌入语音对话能力的场景。