talkies
自托管的OpenAI兼容语音服务，集成多种ASR与TTS模型。
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：自托管的OpenAI兼容语音服务，集成多种ASR与TTS模型。 完整的 Skill 内容见：https://321skill.com/skills/talkies-x-8/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
“帮我把这段客户咨询电话录音转成文字，并区分开客服和客户说的话。”，Talkies会调用其转录接口，使用支持的ASR模型将音频转为文本，并利用立体声说话人分离功能，在文本中标记出不同说话人的段落。或者，
对AI说：“用预设的‘专业女声’将这篇产品说明生成中文语音。”，它会调用TTS引擎，将文本合成为指定音色的语音文件。
介绍
Talkies是一个自托管的、兼容OpenAI API的语音服务，旨在为开发者提供一个功能强大且可私有化部署的语音识别与合成解决方案。它解决了在本地或私有环境中集成高质量语音AI能力的需求，避免了依赖外部云服务可能带来的隐私、成本和延迟问题。
该服务通过提供与OpenAI /v1/audio/ 接口兼容的端点，让开发者可以无缝迁移或集成现有的语音处理流程。其主要功能包括：通过 /v1/audio/transcriptions 端点支持多达12种开源自动语音识别（ASR）模型（如Whisper, Parakeet等），并提供实时流式转录；通过 /v1/audio/speech 端点提供两种TTS引擎（Kokoro-82M和Qwen3-TTS系列），支持语音克隆、预设音色和语音设计。此外，它还具备立体声说话人分离（diarization）、URL音频抓取、MCP端点支持和Bearer认证等功能。
Talkies非常适合需要处理敏感语音数据、希望完全控制语音处理基础设施、或需要灵活选择不同ASR/TTS模型的开发者。典型用户包括开发智能客服、语音助手、会议记录工具、内容创作平台或任何需要集成语音功能的AI应用的后端或全栈开发者。
使用建议：部署前请确保服务器满足所选模型（尤其是Qwen3-TTS需要CUDA）的硬件要求。对于生产环境，建议仔细配置认证机制（Bearer Auth）以保障API安全。由于集成了多个模型后端，初次使用时可先通过简单的音频文件进行测试，以确定最适合当前场景的模型。
核心特点
核心区别在于其集成了多达12种开源ASR模型和2种TTS引擎后端，在一个兼容OpenAI的接口下提供了前所未有的模型选择灵活性，同时支持实时WebSocket流式转录和专业的立体声说话人分离功能。
注意事项
Qwen3-TTS系列引擎需要CUDA环境，因此不适合无NVIDIA GPU的纯CPU服务器部署。
常见问题
Talkies支持实时语音转文字吗？
支持，通过 /v1/audio/transcriptions/stream WebSocket端点可以接收实时PCM音频流进行转录。
TTS功能支持中文吗？
支持，Kokoro-82M和Qwen3-TTS都支持多种语言，具体支持情况需查阅各自模型的文档。
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-8/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-8/raw/index.md（查看排版版本）