talkies
自托管OpenAI兼容语音服务，支持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，支持ASR与TTS 完整的 Skill 内容见：https://321skill.com/skills/talkies-x-6/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
'使用 Talkies 将这段会议录音转写成文字，并提取发言人标签。' 它会调用 Talkies 的 /v1/audio/transcriptions 接口，返回带时间戳和说话人识别的文本。或者说：'将这份演讲稿用 Talkies 的 Kokoro 语音合成，生成女声朗读的音频文件。' 它会调用 /v1/audio/speech 接口，返回合成的音频数据。
介绍
Talkies 是一个完全自托管的语音服务，兼容 OpenAI 的音频 API 格式，旨在解决语音转文字（ASR）和文字转语音（TTS）的本地化部署需求。它内置了 12 种开源 ASR 模型（如 Whisper、Parakeet、Nemotron-3.5-ASR 等）和 2 个 TTS 引擎（Kokoro-82M 与 Qwen3-TTS 系列），支持立体声说话人分离、实时流式转录、语音克隆以及预设语音设计，让用户无需依赖外部云服务即可获得高质量的语音处理能力。
使用 Talkies 非常简单：部署后通过标准的 REST API 或 WebSocket 进行调用。例如，将音频文件发送至 /v1/audio/transcriptions 即可获得带时间戳和说话人标签的转录文本；通过 /v1/audio/transcriptions/stream 可接收实时 PCM 音频流；调用 /v1/audio/speech 则能根据文本生成自然语音，支持 41 种内置音色和自定义语音克隆。所有 API 均兼容 OpenAI 的请求/响应格式，因此可无缝替换现有的 OpenAI 语音服务。
Talkies 特别适合内容创作者、视频剪辑师和后端开发者。内容创作者可用它快速转写采访录音、生成播客字幕；视频剪辑师可提取视频中的对白字幕，或为演示素材添加配音；后端开发者则能将其集成到自研产品中，为用户提供低延迟、可定制的语音交互能力，同时确保数据隐私不外泄。
使用前需注意：Talkies 的 ASR 和 TTS 模型推理依赖本地计算资源，尤其是 Qwen3-TTS 引擎仅支持 CUDA，需要配备 NVIDIA GPU 才能发挥全部性能。建议在部署时根据硬件选择合适模型，并配置 Bearer 认证以保障 API 安全。对于对延迟要求极高的实时通信场景，可能需要进一步优化推理管线或使用更轻量的模型。
核心特点
相比 OpenAI 等云语音 API，Talkies 完全自托管，支持 12 种开源 ASR 模型和 2 种 TTS 引擎，内置语音克隆、立体声说话人分离，且兼容 OpenAI 格式，可无缝替换现有云服务，同时保护数据隐私。
注意事项
不适合需要极小延迟的实时交互场景（如即时语音对话），且部分 TTS 功能（Qwen3-TTS）仅支持 CUDA，需 NVIDIA GPU。
常见问题
如何安装和启动 Talkies？
推荐使用 Docker：`docker run -d --name talkies -p 8000:8000 nicerpc/talkies`，也可通过 git clone 源码后使用 pip 安装依赖运行。
Talkies 支持中文语音识别和合成吗？
支持。ASR 模型如 Whisper、Parakeet 等均支持多语言（含中文）；TTS 引擎 Kokoro-82M 内置中英文语音，Qwen3-TTS 也支持中文语音克隆。
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-6/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-6/raw/index.md（查看排版版本）