VoxRelay MCP Server
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
VoxRelay
本地语音服务。一个进程、一个端口、一个可选依赖,把 TTS 包成 OpenAI 兼容接口,
给任何支持 /v1/audio/speech 的客户端用。
POST http://127.0.0.1:8787/v1/audio/speech
{"input": "要念的话", "voice": "xiaoxiao", "speed": 1.0}五个 Python 文件,标准库实现,没有 Web 框架;MCP 和侧边栏面板都是可选的
一个仓库就是一个包:
package.json管 DSH 插件,server.py管服务,共用同一份config.json引擎可叠:edge-tts(免费在线)→ Windows SAPI(离线兜底)→ 上游服务 → RVC 后处理
任何一个引擎挂掉都会被降级绕过,保证一定有声音出来
音色由你自己带,仓库不含任何模型(见 models/README.md)
快速开始
需要 Python 3.10+(Windows)。
git clone https://github.com/nico2905120737-lab/voxrelay.git VoxRelay
cd VoxRelay
powershell -ExecutionPolicy Bypass -File install.ps1
start.bat浏览器打开服务窗口第一行打印的地址(默认 http://127.0.0.1:8787)就是试听页。
端口取自 config.json 的 port,改了要按新地址打开。
装完直接有 11 个音色(10 个微软在线音色 + 1 个系统 SAPI),够用再往下看。
面板不是必需的。想在 DSH 侧边栏里开关语音,安装时多带一个开关,然后重启 DSH:
powershell -ExecutionPolicy Bypass -File install.ps1 -RegisterDsh出问题了先跑自检,它会逐项告诉你是哪一环坏了:
python smoke.py详细的症状排查见 TROUBLESHOOT.md。
Related MCP server: ttsstt-mcp-server
接口
OpenAI 兼容 / 合成
方法 | 路径 | 说明 |
GET |
| 引擎状态、音色数、运行时长 |
GET |
| 音色列表,含每个音色的 |
POST |
| OpenAI 兼容合成,返回音频流 |
GET |
| 浏览器直接听 |
GET |
| 试听页 |
状态与控制(面板用的就是这几个)
方法 | 路径 | 说明 |
GET |
| 开关、音色、引擎、音量、语速、三件套端口 |
POST |
| 改上面任意一项,字段按需给 |
GET |
| 组件安装位置 + 运行状态 |
POST |
|
|
GET |
| 三个服务的 installed / running / port / reason |
POST |
|
|
POST |
| 重扫 |
POST |
| 重启本服务(保持原端口) |
所有端口只在 config.json 定义一次,上面这些接口返回的也是同一份值。
curl -X POST http://127.0.0.1:8787/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{"input":"你好","voice":"xiaoxiao"}' -o out.mp3请求体字段:input(或 text)、voice、speed、response_format、model。
超过 max_chars 会被拒绝,避免一次塞一本书进来。
自动朗读请带 X-VoiceHub-Auto: 1(等价于请求体 "auto": true):语音模式关闭时服务端
直接回 204,不合成、不出声。手动试听不要带,否则开关关着就听不到了。
带自己的音色
模型不进仓库。把目录丢进 models/ 就行,服务启动自动扫描:
models/gsv/myvoice/ ref.wav + prompt.txt → 零样本克隆,不用训练
models/gsv/trained/ + *.ckpt + *.pth → 微调权重
models/rvc/mymodel/ *.pth + *.index → RVC 音色转换想临时改音色显示名、语言、底嗓,在同目录放一个 voice.json。
完整约定见 models/README.md。
也可以用配置文件的老办法:在 config.json 的 voices 里手写一条,显式配置优先于扫描结果。
接 GPT-SoVITS / RVC
GPT-SoVITS:自己装一份(官方仓库,MIT),
用 api.py 起 HTTP 服务,然后把它填进 config.json:
"gsv": { "base_url": "http://127.0.0.1:9880" }VoxRelay 不打包 GSV —— 它带 3G 底模和一套 CUDA 环境,捆进来只会让仓库变成 20G。
GSV 装在哪个盘都行,让 VoxRelay 知道路径即可:面板里点「设置安装位置」,
或者写 stack.json:{"gsv": "D:\\GPT-SoVITS"}。指向的目录里要有 run_api.py。
RVC:rvc.enabled = true,再起一个 worker 指向 rvc.worker。
worker 需要 torch,属于可选组件。
MCP 接入
mcp_server.py 把服务包成 MCP 工具(speak / set_voice_mode / list_voices),
stdio 传输、零依赖,DSH 和 WorkBuddy 都能直接挂:
{ "command": "python", "args": ["mcp_server.py"] }端口自动从 config.json 读,不用在 MCP 配置里写地址。
只有当服务不在本机、或者你想故意指到别处时,才需要设 VOICEHUB_BASE。
握手(initialize)时会按「朗读来源」(speech_mode)下发不同的 instructions:
panel(默认):面板在回合结束时自己念,不要主动调用 speak——模型再调一次就念两遍。mcp:每轮回复后调用speak朗读要点,面板不自动念。
speech_mode 存在 voice_mode.json 里,可在面板「朗读来源」处随时切换,或用
set_speech_mode 工具切换(口令「让面板念 / 让 MCP 念」)。切完下一轮指令跟着变。
规则跟着服务走,不用在 DSH / WorkBuddy 各自的 agent 规则文件里再抄一遍。
DSH 侧边栏面板(可选)
面板和 MCP 改的是同一份 voice_mode.json:AI 说「打开语音」,面板 4 秒内自己刷成开启;
在面板上关掉,AI 也不再念。两边不会打架。
开关是服务端总闸,不是提示词约定。 enabled=false 时,所有带 X-VoiceHub-Auto: 1
(或 auto:true)的合成请求都会被直接回 204、不合成不出声——包括绕过 MCP 直连 HTTP 的
agent。手动试听和明确调用不带这个头,照常出声。
自动朗读由前端触发。 面板在 conversation.chat.turnTail(回合尾部)挂了一个朗读组件:
回复一结束,前端自己取正文、合成、播放,不再等模型记得调 speak。开关一动立刻生效;
打开历史会话不会重念旧消息;同一段文本在一个会话里只念一次。
朗读来源可在面板切换(panel 面板自动朗读 / mcp 由 AI 调 speak),
与 MCP 的 set_speech_mode 是同一份状态,谁先改都行、两边自动同步。
老版本 DSH 没有这个插槽时,注册失败会自动跳过,退化成「只靠 MCP 工具」——不会报错, 也不会让面板消失。
安装(只是把包登记进 DSH,不会重装服务):
powershell -ExecutionPolicy Bypass -File install.ps1 -RegisterDsh它只动三样东西,改之前都会备份 profile 清单:
在
~/.dsh/profiles/desktop/package.json的dependencies里加一行"voxrelay": "link:<本仓库绝对路径>",并在dsh.profile.bundles里加voxrelay把
node_modules/voxrelay指向本仓库(软链,失败则退回目录联接)清掉旧版
@local/voicehub-panel的残留依赖和插入项
然后重启 DSH —— 宿主只在启动时读 profile。侧边栏出现面板就是成功。
撤掉用 install.ps1 -UnregisterDsh,服务本身不受影响。
不想用脚本就手动改:照上面三条来,bundles 里加一行 voxrelay 即可。
改完可以先用 python dsh_link.py status 看挂没挂对:
profile C:\Users\你\.dsh\profiles\desktop
依赖 link:D:/你的路径/voxrelay
bundles 有
node_modules 链接 -> D:\你的路径\voxrelay
结论 已挂上面板怎么找到服务:宿主半边(index.js)注册了同源接口 /voicehub/endpoint,
优先读服务启动时写的 endpoint.json(带 pid 校验,服务被强杀留下的死文件不会被采纳),
没有才退回 config.json 的 port。所以改端口只需重启服务,面板下次轮询自己跟上,
不用改面板配置、也不用重启 DSH。
服务没起时,面板能自己拉起来。除了 /voicehub/endpoint,宿主还挂了三条控制路由:
路由 | 作用 |
| 三件套状态 + 语音模式,不依赖 8787 |
|
|
|
|
连不上 8787 时面板不会只剩一个"填地址"的空壳,而是显示「服务未运行」:列出三件套状态, 给「启动语音(全套)」和每个组件的单独启动按钮。
这些路由不重写启停逻辑——start/stop 转手调 voice_services,总开关转手调
mcp_server.set_voice_mode,和「打开 mod1 / 关闭 mod1」、计划任务走的是同一套幂等逻辑、
同一份状态(services.json 意图 + 端口实际)。组件名和动作都有白名单,宿主不接受任意命令。
启停请求一律「立即返回、后台执行」:start 内部最长等 90 秒,同步等会把面板请求挂住,
所以前端靠原有的 4 秒轮询看服务自己起来。
「关闭全部服务」(面板底部「维护」区,要点两下确认)会停掉三个进程、关闭语音模式、释放显存。
服务是 DETACHED 起的,DSH 关掉之后它们仍在后台跑 —— 要清干净就用这个按钮,不用去命令行。
它走的是 /voicehub/mode {enabled:false} → mcp_server.set_voice_mode → stop_services,
不自己实现停进程的逻辑。「服务未运行」页里也有一个「全部停止」,用来清掉 VoiceHub 掉了、
但 GSV/RVC 还在吃显存的残局。
面板自己的自检(不需要启动 DSH):
node panel-selftest.mjs # 宿主半边:路由、端口发现
node client-selftest.mjs # 前端:三个插槽是否都注册上(含回合尾部朗读)panel-selftest.mjs 检查包名和客户端 id 是否一致、apply() 能否注册路由、端点算出来的端口
是否与 config.json 对得上——这三条任一不满足,面板就会静默不出现。
client-selftest.mjs 用一个假 ctx 走一遍真实加载路径,确认 main、sidebar.panellist、
conversation.chat.turnTail 都注册成功;少一个,对应的功能就静默缺失。
目录
server.py HTTP 服务 + 试听页
voice_engines.py 引擎层(edge / sapi / upstream / rvc)
voice_models.py models/ 自动发现
voice_services.py 三个服务的启停、自愈、端口解析
mcp_server.py MCP 封装
smoke.py 冒烟测试(另起临时实例自检)
index.js 面板宿主半边:/voicehub/endpoint,告诉前端服务在哪
client.js 面板前端 + 回合结束自动朗读(手写 React.createElement)
cordis.patch.yml DSH 插入项:把面板挂进侧边栏
package.json 一个包两个身份:npm 包清单 + DSH 插件声明
dsh_link.py 把本包登记进 DSH profile / 撤销
panel-selftest.mjs 面板自检(假 ctx 走一遍真实加载路径)
client-selftest.mjs 前端自检(确认 main / 侧边栏 / 回合尾部三个插槽都注册上)
TROUBLESHOOT.md 按症状查的排查手册
config.example.json 默认配置(缺 config.json 时自动用它)
start.bat stop.bat Windows 启停脚本
models/ 你自己的音色模型放这里已知限制
Windows 优先。SAPI 引擎和
start.bat是 Windows 的,其他平台只剩 edge-tts 一档。缓存按
sha1(音色|语速|文本)存out/cache/:超过cache.max_mb(默认 300MB)或 超过cache.max_age_days(默认 7 天)自动清。启动时清一次,运行中每小时补一次, 不需要手动删。edge-tts 是微软的在线服务,需要联网;断网时自动退到 SAPI。
前端自动朗读依赖 DSH 的
conversation.chat.turnTail插槽;没有这个插槽的客户端 只能靠模型主动调speak。两种路径都受同一个开关管。自动朗读只念 assistant 正文:去掉代码块、表格、URL,超过 300 字按句截断; 同一段文本在一个会话里只念一次,打开历史会话不重念。
许可
代码 MIT。仓库不含音色模型和训练权重;GPT-SoVITS、RVC、edge-tts 各自遵循其原有许可证。 用谁的音色、发给谁,法律责任在你自己这边。
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.
AI voice generation: text-to-speech and voice cloning from any MCP client.
Audio for your agent: transcribe, speak, translate, summarise, plus sound effects and music.
Speech, transcription, voice agents, Trace, Recap, dubbing and narration with browser OAuth.
Related MCP Servers
- FlicenseNot gradedqualityBmaintenanceEnables coding agents to speak aloud using text-to-speech functionality. Works with agents running inside devcontainers and provides configurable voice settings for creating chatty AI companions.6-
- AlicenseNot gradedqualityDmaintenanceEnables speech-to-text and text-to-speech conversion using OpenAI-compatible APIs. Supports customizable models, voices, and output directories.GPL 3.0
- AlicenseNot gradedqualityCmaintenanceEnables AI agents to narrate internal thoughts, announce tool actions, and speak final responses aloud through local cross-platform text-to-speech. It exposes dedicated audio tools over stdio JSON-RPC for MCP-compatible clients.MIT
- AlicenseNot gradedqualityBmaintenanceEnables coding agents to generate local GPU-accelerated narration audio from text, with tools for speech generation, job continuation, and model or voice queries.Apache 2.0