Speech Server
speech-server 是一个本地 HTTP + WebSocket 服务器,通过简洁的 REST API 提供所有 Soniqo 模型,并在 /v1/realtime 提供兼容 OpenAI Realtime API 的 WebSocket。它与 speech CLI 打包在同一个 Homebrew bottle 中 —— 执行 brew install speech 即可将两者一并安装到 PATH。
安装与运行
brew install speech
speech-server --port 8080
# Starting server on http://127.0.0.1:8080
# Endpoints:
# POST /transcribe - Speech-to-text (WAV body or JSON with audio_base64)
# POST /speak - Text-to-speech (JSON: {text, engine?, language?})
# POST /respond - Speech-to-speech (WAV body, voice/max_steps via query)
# POST /enhance - Speech enhancement (WAV body)
# GET /health - Health check
# WS /v1/realtime - OpenAI Realtime API (JSON events, base64 PCM16 audio)
命令行选项
| 选项 | 默认值 | 说明 |
|---|---|---|
--host | 127.0.0.1 | 绑定地址。改为 0.0.0.0 可在局域网中开放访问。 |
--port | 8080 | TCP 端口。 |
--preload | 关闭 | 启动时立即加载所有模型。启动变慢(约 30–60 秒),但首次请求零延迟。 |
模型在首次使用时下载,并缓存在 ~/Library/Caches/qwen3-speech/ 中。对某个模型的第一次请求需要承担下载 + 加载的开销(视模型大小约为 30 秒至 2 分钟);后续请求即为热请求。
REST 端点
POST /transcribe — 语音转文字
接受原始 WAV 请求体,或带有 base64 编码音频的 JSON 包装。
# WAV body (preferred — lower overhead)
curl -X POST http://127.0.0.1:8080/transcribe \
-H "Content-Type: audio/wav" \
--data-binary @recording.wav
# JSON with base64
curl -X POST http://127.0.0.1:8080/transcribe \
-H "Content-Type: application/json" \
-d '{"audio_base64":"'"$(base64 -i recording.wav)"'","language":"en"}'
响应:{"text": "…", "language": "en", "confidence": 0.93}。
POST /speak — 文本转语音
curl -X POST http://127.0.0.1:8080/speak \
-H "Content-Type: application/json" \
-d '{"text":"Hello, world!","engine":"kokoro","language":"en"}' \
--output hello.wav
响应体为 WAV 数据。支持的 engine 取值:qwen3(默认)、cosyvoice、kokoro。
POST /respond — 语音到语音
curl -X POST "http://127.0.0.1:8080/respond?voice=en_female_calm&max_steps=256" \
-H "Content-Type: audio/wav" \
--data-binary @question.wav \
--output answer.wav
运行 PersonaPlex 7B —— 语音输入,语音输出。文字稿通过 X-Response-Text 响应头返回。声音预设名称参见 PersonaPlex 指南。
POST /enhance — 语音增强
curl -X POST http://127.0.0.1:8080/enhance \
-H "Content-Type: audio/wav" \
--data-binary @noisy.wav \
--output clean.wav
DeepFilterNet3,48 kHz。如有需要会对输入进行重采样。
GET /health — 存活探针
curl http://127.0.0.1:8080/health
# {"status":"ok"}
WebSocket:/v1/realtime
与 OpenAI Realtime API 即插即用式兼容 —— 采用相同的 JSON 事件模式(session.update、input_audio_buffer.append、response.create、response.audio.delta 等),音频为 24 kHz、base64 编码的 PCM16。基于 OpenAI Realtime SDK 编写的客户端无需修改代码即可对接 speech-server(只需更换 WebSocket URL)。
JavaScript 示例
const ws = new WebSocket("ws://127.0.0.1:8080/v1/realtime");
ws.onopen = () => {
ws.send(JSON.stringify({
type: "session.update",
session: { modalities: ["audio", "text"] }
}));
// Stream PCM16 mono 24kHz audio from the mic:
const audioBase64 = await capturePCM16Chunk();
ws.send(JSON.stringify({
type: "input_audio_buffer.append",
audio: audioBase64
}));
ws.send(JSON.stringify({ type: "response.create" }));
};
ws.onmessage = ev => {
const msg = JSON.parse(ev.data);
if (msg.type === "response.audio.delta") {
playPCM16Base64(msg.delta);
}
};
Python 示例
import asyncio, base64, json, wave, websockets
async def main():
async with websockets.connect("ws://127.0.0.1:8080/v1/realtime") as ws:
await ws.send(json.dumps({"type": "session.update",
"session": {"modalities": ["audio", "text"]}}))
with wave.open("question.wav", "rb") as wav:
pcm16 = wav.readframes(wav.getnframes())
await ws.send(json.dumps({"type": "input_audio_buffer.append",
"audio": base64.b64encode(pcm16).decode()}))
await ws.send(json.dumps({"type": "response.create"}))
async for raw in ws:
msg = json.loads(raw)
if msg["type"] == "response.audio.delta":
open("answer.pcm", "ab").write(base64.b64decode(msg["delta"]))
elif msg["type"] == "response.done":
break
asyncio.run(main())
部署注意事项
- 默认无鉴权。
speech-server绑定127.0.0.1,并信任所有调用方。如需在 localhost 之外开放访问,请将其置于反向代理(Caddy、nginx、tailscale)之后。 - 模型按需加载。第一次请求
/transcribe会触发 ASR 模型的下载 + 加载(约 700 MB,30–60 秒)。使用--preload可实现零冷启动,但服务器启动会变慢。 - 暂不支持流式转写。
POST /transcribe要求一次性提供完整的 WAV。流式场景请使用/v1/realtime。 - Systemd / launchd。目前不附带服务单元。直接
nohup speech-server &或使用你常用的进程管理器即可。
源码
- Sources/AudioServer —— 基于 Hummingbird 的 HTTP 路由、按需加载的模型注册表、
/v1/realtimeWebSocket 处理器。 - Sources/AudioServerCLI ——
@main入口、参数解析器。 - 上游:OpenAI Realtime API 参考。