Hugging Face开源speech-to-speech：本地跑实时语音AI…

Hugging Face开源speech-to-speech：本地跑实时语音AI，不用再按分钟买API了

Hugging Face最近开源了一个speech-to-speech项目，把语音识别、LLM推理、语音生成和音频输出串成了一整套实时流水线。

这意味着你可以在自己的GPU上搭建实时语音AI，不用再为实时语音API按分钟付费了。

核心亮点：

1. 模块化组合：Whisper、Llama、Qwen、Mistral、MeloTTS、ChatTTS、Qwen3-TTS等模型都能自由组合，根据需求灵活搭配。

1. LMS模式：让LLM直接生成音频Token，跳过传统TTS环节，进一步压低延迟，响应更快。

1. 完全开源：Apache 2.0协议，官方开源项目，可以自由修改和商用。

对于想搭建语音AI应用的开发者来说，这降低了很大的成本门槛。以前实时语音API动辄几美元/分钟，现在用自己的GPU跑，开发和实验成本低很多。