talkies
自托管OpenAI兼容语音服务，ASR与TTS
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：talkies。 它的用途是：自托管OpenAI兼容语音服务，ASR与TTS 完整的 Skill 内容见：https://321skill.com/skills/talkies-x-5/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'请帮我部署Talkies服务，并调用/v1/audio/transcriptions接口将这段会议录音转写成文字，输出为SRT格式的字幕。' 它会自动拉取Docker镜像启动服务，然后使用curl命令上传音频文件并返回转写结果，最终生成字幕文件。
介绍
Talkies 是一个完全自托管的语音服务，提供与 OpenAI API 兼容的接口，让您可以在自己的服务器上运行语音识别（ASR）和语音合成（TTS）功能。它解决了对外部语音 API 的依赖问题，同时保障数据隐私和自定义能力。无论是将音频转写为文字，还是将文字合成为自然语音，Talkies 都能高效完成。
使用非常简单：Talkies 暴露了 /v1/audio/transcriptions 和 /v1/audio/speech 两个端点，您可以像调用 OpenAI 的语音 API 一样调用它。它支持 12 种开源 ASR 模型（包括 Whisper、Parakeet、Nemotron-3.5-ASR 等），并可通过 WebSocket 接收实时 PCM 音频流进行流式转写。TTS 方面，它集成了 Kokoro-82M（41 种内置语音，支持 PyTorch 和 ONNX 运行时）和 Qwen3-TTS 系列（需 CUDA，支持语音克隆、预设说话人和语音设计）。此外，还提供立体声说话人分离、URL 抓取、MCP 端点和 Bearer 认证等高级功能。
适合需要自建语音能力的开发者、智能体应用开发者、内容创作者以及隐私敏感的场景。例如，搭建内部语音转写服务、为客服机器人添加语音交互、批量生成视频字幕或配音、提取会议录音文字等。后端开发人员可以快速集成，智能体开发人员可以将其作为语音模块，视频剪辑师和内容创作者也能利用它高效处理音频素材。
建议在使用前根据硬件条件选择合适的模型：如果仅需 CPU 推理，优先使用 Kokoro-82M 的 ONNX 运行时；如需语音克隆或高质量合成，则需准备 CUDA 环境。流式转写适合实时场景，但需注意网络延迟和音频格式兼容性。另外，部署时务必配置好 Bearer 认证以防止未授权访问。
核心特点
与同类自托管语音服务相比，Talkies 同时支持 12 种 ASR 模型和 2 种 TTS 引擎，并原生兼容 OpenAI 的 API 格式，无需修改代码即可替代 OpenAI 的语音接口。此外，它还内置了立体声说话人分离、URL 音频抓取和 MCP 协议支持，适合需要多模型切换和高级功能的场景。
注意事项
Qwen3-TTS 系列需要 CUDA 显卡，且模型体积较大，不适合纯 CPU 或资源受限的环境；流式转写仅支持 PCM 格式，需客户端自行转换。
常见问题
Talkies 支持哪些语音识别模型？
支持 Whisper、Parakeet、Nemotron-3.5-ASR、Canary、Sherpa-ONNX、Vosk 等 12 种开源 ASR 模型。
需要什么硬件才能运行？
ASR 模型可在 CPU 上运行，但推荐使用 GPU 加速。TTS 中的 Kokoro-82M 支持 CPU（ONNX 运行时），Qwen3-TTS 必须使用 NVIDIA GPU（CUDA）。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/talkies-x-5/raw/index.md 读取 talkies 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/talkies-x-5/raw/index.md（查看排版版本）