语音合成

多模态语音合成与识别：从 Whisper + TTS 到实时语音交互的 LLM 实践

系统拆解 LLM 语音技术栈：语音识别（ASR / Whisper）、语音合成（TTS / ElevenLabs / Coqui TTS）、语音活动检测（VAD）。 覆盖实时语音交互架构（流式识别 + 流式合成 + 打断机制）、多语言语音克隆、以及语音 Agent 的安全与隐私考量。 附完整的 Whisper API 集成、本地 TTS 部署、WebRTC 实时语音管道代码。