Hugging Face 开源了一个低延迟语音智能体框架地址：github.com/huggingface/speech-to-speech主要是串联这个过程：麦克风音频 → VAD → 语音识别 STT → 大模型 LLM → 语音合成 TTS → 播放音频里面的语音识别、LLM、语音合成都可以自己指定来源，可以本地可以云端。How I AI