Talktome Vibe 项目

项目简介

TalkToMe 是一款开源的 macOS 菜单栏应用，可以让用户直接用语音与 AI 编程助手进行电话式对话。开发者只需在 AI Agent 的会话中说一句"用 TalkToMe 给我打电话"，应用就会在 Mac 上响起铃声，用户接听后即可用语音与 AI Agent 实时对话，Agent 的回复也会通过语音读出。整个过程中，Agent 保持其原有的模型、工具、文件和会话历史，TalkToMe 仅负责语音的输入与输出。

核心功能

• 语音通话：麦克风录音 → 语音转文字 → 发送至 Agent → Agent 回复文字 → 文字转语音播放，全流程自动完成。
• 菜单栏运行：安装后常驻 macOS 菜单栏，不占用桌面空间，来电时弹出通话界面。
• 多 Agent 支持：支持 Codex、Claude Code、Hermes Agent、OpenClaw 等主流 AI Agent 主机。
• 多种语音引擎：支持本地 Whisper 语音识别 + Kokoro/TTS 语音合成，全程离线可用；也支持 ElevenLabs 云端语音服务。
• 远程桥接：通过 SSH 隧道，远程服务器上的 Agent 也能拨打本地 Mac，不受网络隔离限制。
• 通话终端控制：Agent 可通过 talktome call / talktome end / talktome listen / talktome reply 等命令控制通话流程。
• Smart Turn 检测：内置小型本地模型判断用户是否已说完话，替代传统的固定停顿检测方式。

技术实现

TalkToMe 基于以下技术栈构建：

• Electron：跨平台桌面 UI 框架，用于菜单栏应用界面和通话窗口。
• FastAPI：Python 后端服务，处理本地 HTTP 接口与语音模型调用。
• faster-whisper：高效的 Whisper 语音识别实现，支持 Whisper Small（484 MB）或 Whisper Base English（145 MB）模型本地运行。
• kokoro-onnx：开源语音克隆模型，114 MB 模型文件 + 28 MB 语音文件，全程本地推理。
• Pipecat Smart Turn：小型本地模型，用于判断通话中用户是否已说完。
• 可选 ElevenLabs：如配置 API Key，可使用 Scribe v2 语音识别和 Flash v2.5 语音合成。

应用仅在本地监听 127.0.0.1:8765，由随机生成的 Token 保护接口安全，不对外暴露网络端口。

快速上手

1. 安装依赖：Node.js 22+、uv（Python 包管理器）、Xcode 命令行工具。
2. 克隆构建：

   git clone https://github.com/rohanprichard/talktome.git
   cd talktome
   npm ci
   uv sync --frozen
   npm start

3. 首次启动配置：依次完成欢迎页 → 麦克风权限 → ElevenLabs Key（可选）→ Agent 连接安装 → 通话界面颜色 → 完成设置。
4. 开始通话：在 Agent 会话中输入"用 TalkToMe 给我打电话"，Mac 菜单栏会弹出铃声，点击"接听"即可开始语音对话。
5. 构建安装包（可选）：

   npm run build:app

   生成 dist/app/TalkToMe--arm64.dmg，可拖入 Applications 安装。

适用人群

• AI 开发者与编程爱好者：在编码过程中需要与 AI Agent 语音交互的用户。
• 远程 Agent 用户：需要让服务器上的 AI Agent 主动联系自己的开发者。
• 注重隐私的用户：支持全程本地离线语音处理，无需将对话上传至云端。
• 多 Agent 玩家：同时使用 Codex、Claude Code、Hermes 等多个 Agent 主机的用户。

官方链接

• GitHub：https://github.com/rohanprichard/talktome
• 许可协议：MIT