voice-dialog
voice-dialog
AI Agentに音声対話機能を追加するMCP server。コマンドラインツールとしても使えます。Agentが作業を終えたら音声で知らせたり、質問を投げかけたり、あなたの回答を聞き取ったりできます。認識はローカルのwhisperで実行し、合成はシステム標準のTTSを使用します。完全にオフラインで動作し、音声を送信しません。
できること
你(没看屏幕):"搞定了吗?"
Agent(出声):"代码写完了,测试全过。要提交吗?" ← ask_by_voice
你:"先不提交,我看看再说" ← listen 收到,本地转写
Agent(出声):"好,先留着。" ← speakツール | 用途 |
| 一方向の読み上げ(タスク完了、マイルストーン) |
| 録音+認識(あなたの口述指示) |
| 原子的な問答:一言→一回聞く、自動で聞き続けることは絶対にない(無限ループ防止) |
| ワンクリック初期化(下記参照) |
| 環境診断(確認のみ、インストールしない) |
Related MCP server: Pipecat MCP Server
クイックスタート
git clone https://github.com/VictorHuang0843/voice-dialog.git
cd voice-dialog
# 没装 uv?先来这个(Windows 用 install.ps1):
# curl -LsSf https://astral.sh/uv/install.sh | sh
uv run voice-dialog initinit は7ステップの全自動ガイドです:uvのインストール → 依存関係のインストール(uvがPythonもインストールしてくれます)→ whisperモデルのダウンロード(464MB、中国のネットワークでは自動的にhf-mirrorを使用)→ マイク権限の実地テスト → TTS音声出力の実地テスト → MCP登録コマンドの表示。失敗したステップがあれば、そのステップの修復コマンドが表示され、修正して再実行するだけです。
試しに:
uv run voice-dialog speak "语音系统就绪" --lang zh
uv run voice-dialog ask "请说话" --wait-start 60
# 你会听到:高亮上扬"叮↑"= 开始说话 → 停 3 秒 → 低沉"咚…咚↓"= 录音结束あなたのAgentに接続する
任意のMCPクライアント(Claude Code、Codex、Cursor、LoopX……):
{
"mcpServers": {
"voice-dialog": {
"command": "uv",
"args": ["--project", "/你的路径/voice-dialog", "run", "voice-dialog", "serve"]
}
}
}Claude Codeの一行登録:
claude mcp add voice-dialog -s user -- uv --project /你的路径/voice-dialog run voice-dialog serveMCP非対応のツール:CLIを直接呼び出し、uv run voice-dialog speak/listen/ask "..."。
Claude Code Skill(オプション、Agentにいつ話すか/いつ聞くかを教える):skills/voice-dialog/ を ~/.claude/skills/ にコピーします。
対応プラットフォーム
macOS | Windows | Linux | |
音声認識 | 実測済み | 利用可能 | 利用可能 |
音声合成 | システムTTS | SAPI | espeak-ngのインストールが必要 |
プロンプト音 | 利用可能 | 利用可能 | ffmpegが必要 |
言語は自動検出(whisperは約100言語に対応)、VD_LANG=zh で固定可能;モデルサイズは VD_MODEL=small で調整可能。
よくある質問
症状 | 解決策 |
initがuv未インストールと報告 | 上記のcurlインストールコマンドを実行し、インストール後にターミナルを再起動 |
マイクプローブに失敗 | macOS:システム設定→プライバシーとセキュリティ→マイク→使用するターミナルをチェック;Windows:設定→プライバシー→マイク |
モデルのダウンロード失敗/極端に遅い |
|
TTSが無音 | システムの出力デバイスが仮想サウンドカード(BlackHoleなど)に乗っ取られていないか確認 |
コードを変更しても反映されない | MCP serverは常駐プロセス: |
プライバシー
音声はローカルで認識(faster-whisper)、テキストはシステムTTSで再生、クラウドAPIは一切呼び出さず、音声をアップロードしません。
ライセンス
MIT
モデルについて
デフォルトでダウンロードされるものは? whisper small(int8量子化、約464MB)。中英語の認識精度と速度のバランスが取れたモデルです。初回の listen/init 時に自動ダウンロードされ、以降はローカルにキャッシュされます(macOS/Linux:~/.cache/huggingface/hub/、Windows:%USERPROFILE%\.cache\huggingface\hub\)。再ダウンロードは発生しません。
ダウンロード元の選択方法は? コードにはダウンロードロジックはハードコードされていません——WhisperModel("small", ...) の構築時にfaster-whisperライブラリがHuggingFaceから自動的にダウンロードします。デフォルトは公式ソースhuggingface.co;公式ソースに接続できない場合は、コードが自動的に国内ミラーhf-mirror.comに切り替えて再試行します(HF_ENDPOINT 環境変数の設定で実装)。国内ユーザーは事前に手動で固定することもできます:
export HF_ENDPOINT=https://hf-mirror.com # 加进 ~/.zshrc 一劳永逸より大きなモデルに変更? 環境変数 VD_MODEL で制御し、再起動で有効です:
VD_MODEL | サイズ | 特徴 |
| ~75MB | 最速、精度は普通 |
| ~142MB | 速い、日常用途には十分 |
| ~464MB | バランスが良く、推奨 |
| ~1.5GB | より正確、Mチップでは秒級の書き起こしが十秒級に |
| ~3GB | 最も正確で最も遅い、短い会話には推奨しない |
VD_MODEL=base uv run voice-dialog listen # 单次用 basezipからのインストール(git clone不要)
zipをダウンロード(または友人から直接受け取る)→ 好きな場所に解凍、例えば ~/tools/ → ターミナルを開いてディレクトリに入り、あとはAIに任せます:
Claude Code(またはコマンドを実行できるAIプログラミングツール)で、以下の内容をそのまま送信します:
帮我安装这个目录里的 voice-dialog 项目:
1. cd 到这个目录跑 uv run voice-dialog init(没装 uv 就先装:curl -LsSf https://astral.sh/uv/install.sh | sh)
2. init 全绿后,把打印出来的 claude mcp add 命令执行掉
3. 最后跑 uv run voice-dialog doctor 给我看结果すべてをインストールしてClaude Codeに登録し、セッションを再起動すれば使えます。
手動でも可能です。たった2つのコマンドです:
cd 解压后的目录
uv run voice-dialog init # 结束时打印注册命令,复制执行Macでターミナルに不慣れな場合:解凍後、フォルダを右クリック → サービス → フォルダ位置で新しいターミナルウィンドウを開く、でディレクトリに移動できます。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Remote text-to-speech MCP server with text_to_speech and list_voices tools. Free plan.
Human-input bridge for AI agents with voice-first answer links, MCP tools, and HTTP APIs.
AI voice generation: text-to-speech and voice cloning from any MCP client.
Give AI agents real phone numbers, messages, and voice calls via MCP.
Related MCP Servers
- FlicenseNot gradedqualityNot gradedmaintenanceA local voice interface providing high-performance speech recognition and natural text-to-speech with voice cloning capabilities. It enables AI assistants to speak, listen, and engage in character-based voice conversations through integrated MCP tools.-

Pipecat MCP Serverofficial
AlicenseNot gradedqualityDmaintenanceEnables voice conversations and screen capture for AI agents via MCP-compatible clients, using Pipecat for speech-to-text and text-to-speech, with support for browser, WebRTC, and phone transport.157BSD 2-Clause "Simplified"- AlicenseNot gradedqualityDmaintenanceEnables AI agents to generate high-quality speech with 54+ voices in multiple languages via MCP tools.21Apache 2.0
- AlicenseNot gradedqualityCmaintenanceEnables voice-first interactions with AI agents and MCP tools, supporting speech input/output, STT/TTS, and a provider-independent agent core.1MIT