Memoh语音交互功能指南：TTS语音合成与音频转录让AI Agent开口说话

Memoh语音交互功能指南TTS语音合成与音频转录让AI Agent开口说话【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/MemohMemoh 是一个开源多 Agent 平台每个 AI Agent 都拥有独立的电脑、桌面、网络与长期记忆。它的语音交互功能由两部分组成TTS 语音合成Text-to-Speech让 Agent 发出语音消息与音频转录Audio Transcription让 Agent 听懂语音。本文带你快速上手只需三步就能让你的 Agent 开口说话、听懂人声。️语音交互能做什么Memoh 的语音能力是双向的正好覆盖一次完整对话方向功能Agent 工具效果说 ️TTS 语音合成speak把回复合成为语音消息直接发到聊天渠道听 音频转录transcribe_audio识别用户发来的语音转成文字后再处理这两个工具由 internal/agent/tool/tts.go 和 internal/agent/tool/transcribe.go 实现只有在 Agent 配置了相应模型后才会自动启用——配置好即生效无需额外开关。内置哪些语音服务商Memoh 通过 internal/audio/registry.go 内置注册了主流语音服务商覆盖中英文场景服务商TTS 语音合成音频转录特点Microsoft Edge✅—免费内置 Edge Read Aloud开箱即用OpenAI✅✅gpt-4o-mini-tts / transcribe稳定之选OpenRouter✅✅一个 Key 接入多家音频模型ElevenLabs✅✅拟真度最高的 TTSScribe v2 转录Google—✅Gemini 2.5 Flash 语音识别Deepgram✅✅Nova 系列低延迟MiniMax✅—中文表现优秀可调语速音量火山引擎 SAMI✅—国内访问友好支持多种音色阿里云百炼✅✅CosyVoice 合成 Qwen3 ASR 转录Microsoft Azure✅—企业级 Azure 语音服务 不想花钱选择Microsoft Edge作为 TTS 服务商零 API Key、免费使用适合先跑通流程。各服务商的默认配置可参考 conf/providers/edge.yaml、conf/providers/openai-speech.yaml 等配置文件。三步配置让 Agent 开口说话第一步添加语音服务商在 Memoh 左侧导航栏找到Speech语音合成与Transcription音频转录两个入口前端实现见 apps/web/src/pages/voice/index.vue点击即可管理服务商在Speech页选择服务商如 Microsoft Edge、OpenAI、MiniMax填入 API Key免费服务商无需填写保存即可在Transcription页添加音频转录服务商支持语言自动检测、标点、说话人分离等选项第二步为 Agent 绑定语音模型进入具体 Bot 的设置页在多媒体设置中分别选择TTS Model和Transcription Model实现见 apps/web/src/pages/bots/components/settings-multimedia-card.vue没有可选模型时点击「添加模型」会直接跳转到语音管理页创建完回来即可两项都可为空不绑定 TTSAgent 就不会发语音不绑定转录Agent 就只处理文字第三步直接对话零代码生效配置保存后无需任何重启或调用。后端合成接口 internal/handlers/bot_tts.go 会按 Bot 绑定的模型执行流式合成单次文本上限 500 字符让 Agent「用语音回复我」→ 它自动调用speak工具把语音消息发回当前聊天直接发一条语音消息 → 它自动调用transcribe_audio工具转成文字再正常理解和回复典型使用场景Telegram / 聊天渠道语音助手在移动端随手发语音Agent 转录后理解需求再用 TTS 语音回复全程免打字播客式内容播报让 Agent 把长文本摘要「读」给你听单条 500 字内自动分片发送️会议记录转写丢一段录音给 Agent转录工具支持指定语言提示与背景词汇专有名词识别更准多语言支持中文场景推荐阿里云 Qwen ASR CosyVoice 或火山引擎英文场景推荐 OpenAI 或 Edge 免费方案常见问题 FAQQ不配置 TTS 能用音频转录吗可以。两者相互独立分别绑定模型即可单独启用。Q语音消息发到哪里的speak工具默认发回当前会话也可以指定其他渠道或联系人方便跨渠道「开口」。Q中文识别不准怎么办在转录模型配置中填入语言提示如zh、开启数字规范化或补充背景词汇上下文准确率会明显提升。总结Memoh 用「服务商市场 Bot 级模型绑定」的简单设计把 TTS 语音合成与音频转录做成了开箱即用的 Agent 原生能力免费的 Edge 方案可以零成本起步MiniMax、阿里云、ElevenLabs 等方案满足生产级拟真需求。三步配置完成后你的 AI Agent 就能在 Telegram、Web 等渠道真正地开口说话、听懂人声了。【免费下载链接】Memoh✨ The open-source multi-agent platform. Every agent gets its own computer, desktop, network, and long-term memory. You can bring your own key, or host your coding agent like Claude Code, Codex and so on.项目地址: https://gitcode.com/gh_mirrors/me/Memoh创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考