Hy-SimulMT-30B-A3B 本地实时同传 · 研究与实践HTML
把 30B 的混元同传模型塞进 M2 Max 笔记本:绕开官方 CUDA 封装,给 llama-mtmd-cli 加 --stream 改流式,自建音频链路与账本,做到 255 ms 字幕、1150 ms 配音,并完整复盘五轮静默失败排查。
把 30B 的混元同传模型塞进 M2 Max 笔记本:绕开官方 CUDA 封装,给 llama-mtmd-cli 加 --stream 改流式,自建音频链路与账本,做到 255 ms 字幕、1150 ms 配音,并完整复盘五轮静默失败排查。
词汇记忆仓是一款专为高中英语词汇学习设计的全功能记忆工具,将 3300+ 核心词汇通过三种不同的聚类方式(主题联想、语义分组、近义聚合)组织成逻辑清晰的学习单元,并配合沉浸式播放、语音朗读、自测模式与快捷键操作,帮助学习者高效、系统地掌握词汇。
核心功能
三种聚类模式,适合不同学习阶段
沉浸式播放,解放双手
智能语音朗读
自测模式
全键盘快捷键 空格 / I 控制沉浸播放,←/→ 切换单词,R 重读,M 切换中英节奏,S 切换自测,1/2/3 快速切换聚类模式,F 全屏,? 查看帮助。
朗读者是什么
朗读者(Long Reader)是一款基于 Web Speech API 的纯前端长文朗读工具。它采用左侧编辑设置、右侧沉浸阅读的布局,支持中英文长文本逐句朗读,无需上传、无需后端,所有文本处理与语音合成都在浏览器本地完成。
核心功能
.txt 文件,也内置中英文范文一键体验。Space 播放 / 暂停,← / → 切换上下句,Esc 停止。使用方式
浏览器原生语音合成(TTS)开发经验
最近先后在站点上线了两个纯前端的朗读工具:Read Aloud 和 智能朗读阅读器。两者都基于浏览器的 Web Speech API 实现,没有后端、没有上传、没有第三方语音服务。开发过程中踩了一些坑,也积累了一些可复用的经验,记录如下。
一、Web Speech API 基础
浏览器 TTS 的入口非常简洁:
const synth = window.speechSynthesis;
const utterance = new SpeechSynthesisUtterance(text);
synth.speak(utterance);
window.speechSynthesis 负责全局的语音队列,SpeechSynthesisUtterance 则是每一次发音的单元。在真正可用之前,建议先做兼容性判断:
if (!window.speechSynthesis) {
alert('当前浏览器不支持 Web Speech API,无法使用朗读功能。');
return;
}
目前 Safari、Chrome、Edge 等现代浏览器都支持该 API,但不同浏览器在语音质量、语音名、事件触发等方面差异明显,后面会详细说。
二、语音列表是异步加载的
第一次调用 speechSynthesis.getVoices() 时,返回的数组经常为空。
智能朗读阅读器是什么
智能朗读阅读器是一款基于 Web Speech API 的纯前端朗读工具。它采用左右分屏设计:左侧为阅读区,右侧为可折叠编辑区,适合朗读中文小说、英文范文、演讲稿等长文本。所有文本处理与语音合成都在浏览器本地完成,无需上传、无需后端。
核心功能
← / → 快速切换到上一句 / 下一句。Ctrl + Enter 加载文本,Esc 停止,← / → 切换句子。Read Aloud 是什么
Read Aloud 是一款纯前端、无需上传文本的浏览器朗读工具。它基于 Web Speech API 实现,全部文本处理与语音合成都在本地完成,适合朗读英文范文、中文小说、演讲稿、技术文档等长文本。
核心功能
使用方式
快捷键
Ctrl / ⌘ + Space:播放 / 暂停。Space:快速播放 / 暂停。Esc:关闭帮助窗口。浏览器兼容性
Read Aloud 依赖 Web Speech API,建议使用 Safari、Chrome、Edge 等
极简长文朗读器是什么
极简长文朗读器是一款基于浏览器 Web Speech API 的本地文本朗读工具。它采用左右分屏的极简设计:左侧输入文本,右侧实时生成可朗读的阅读视图,全部处理都在浏览器内完成,无需上传、无需后端。
核心功能
与 Read Aloud 的区别
| 特性 | 极简长文朗读器 | Read Aloud |
|---|---|---|
| 界面 | 左右分屏,实时同步 | 编辑/阅读视图切换 |
| 分句 | 按中英文标点实时切分 | 段落 + 句子双层切分 |
| 音调调节 | 无 | 支持 |
| 进度显示 | 无 | 句数 / 时间 |
| 设计 | 极简 Tailwind 风格 | 卡片式工具风格 |
可以根据个人喜好选择更适合自己的一款,两者都是纯浏览器本地运行。
方法
架构
本仓库实现了一个语音到语音的级联管道,包含以下部分:
模块化
该管道提供了一种完全开放且模块化的方法,重点是利用 Hugging Face Hub 上 Transformers 库提供的模型。代码设计易于修改,我们已经支持特定设备和外部库的实现:
VAD
STT
LLM
TTS ChatTTS Pocket TTS - Kyutai Labs 提供的支持语音克隆的流式 TTS Kokoro-
一、插件概述
Voice Call 是 OpenClaw 的一个核心插件,允许用户通过 AI 助手发起和接收语音通话。它支持多种电话服务提供商(Twilio、Telnyx、Plivo),并提供两种主要通话模式:通知模式(Notify)和对话模式(Conversation)。
二、插件安装和配置
1. 安装方式
# 从 npm 安装(推荐)
openclaw plugins install @openclaw/voice-call
# 从本地开发(开发模式)
openclaw plugins install ./extensions/voice-call
cd ./extensions/voice-call && pnpm install
安装后需要重启 Gateway 网关。
2. 配置
在 ~/.openclaw/config.json 文件中配置插件:
Natural Language Processing (NLP)
安装依赖库
pip install transformers
Conversational
没有找到匹配的文章