🎙️ VoxAgent

コーディングエージェントと話そう。エージェントも話しかけ返す。

Claude Code、Cursor、OpenClaw、およびあらゆるMCPクライアントのためのローカルファースト音声I/O。

English · 简体中文

なぜ

コーディングエージェントはオートコンプリートから同僚へと進化しましたが、インターフェースは依然としてキーボードです。VoxAgentはエージェントに耳と口を与えます：

• 🎤 listen() — 指示、コードスニペット、コードレビューのフィードバックを音声入力

• 🔊 speak() — 進捗状況を音声で伝えます。エージェントが話している間にコーヒーを飲みに行けます

• 🗣️ ask_user() — エージェントが質問し、部屋の反対側から声で答えられます

• 🕹️ プッシュトーク — どこでもグローバルホットキーを押している間、あなたの声がそのまま claude -p に入力され、返答が音声で再生されます

すべてお使いのマシン上で動作します。STTは完全オフライン（faster-whisper）。TTSはセットアップ不要の音声から始まり、プロ品質の音声を提供するローカルCosyVoiceサーバーにアップグレードできます。APIキーは不要です。

クイックスタート

pip install 'voxagent[local]'
voxagent doctor        # check mic + deps
voxagent demo          # try the talk-loop standalone

# Register with Claude Code
claude mcp add voxagent -- voxagent serve

# Enable the agent skill (when to speak, how to behave)
mkdir -p ~/.claude/skills && cp -r skills/voice-control ~/.claude/skills/

# Push-to-talk daemon (optional): talk to Claude Code from any app
pip install 'voxagent[ptt]'
voxagent ptt --send 'claude -p'

あとは、**"voice mode on"**と言うか、PTTホットキー（デフォルトは Ctrl+Shift+Space）を押しながら話すだけです。

あらゆるMCPクライアントで動作します — Cursor、OpenClaw、Codexなどの仲間はすべてMCPを話します。

アーキテクチャ

        ┌─────────────┐     MCP (stdio)      ┌──────────────────┐
 mic ──▶│   listen()  │◀────────────────────▶│  Claude Code /   │
        │  (STT)      │                      │  Cursor / any    │
 spk ◀──│   speak()   │◀────────────────────▶│  MCP client      │
        │  (TTS)      │      tools+skill     └──────────────────┘
        └─────────────┘
          faster-whisper   edge-tts / CosyVoice (pluggable)
          ▲ fully offline           ▲ swap via env var

エンジンはプラグイン可能です — 1つの環境変数を設定するだけでどちら側も切り替えられます：

すべてのオプションは .env.example を参照してください。

MCP ツール

同梱のAgent Skill（skills/voice-control）は、エージェントにそれらの使用タイミングを教えます：短い音声返答、長いタスクの前の音声アナウンス、言語のミラーリング、テキストへのフォールバック。

トラブルシューティング

モデルのダウンロードに失敗する（huggingface.coからのネットワークエラー）：ミラーから手動でモデルをダウンロードし、WHISPER_MODEL をそのフォルダーに指定してください：

bash scripts/download_model.sh tiny            # or base / small
export WHISPER_MODEL="$HOME/.voxagent/models/tiny"

このスクリプトは素の curl で hf-mirror.com から取得し、huggingface_hub SDKを完全にバイパスします。あるいは、SDKが使える場合は、実行前に HF_ENDPOINT=https://hf-mirror.com と HF_HUB_DISABLE_XET=1 を設定してください。

ホットキーを押している間、フォーカス中のアプリに文字が入力される（例：ctrl+j はターミナルで改行を送り、話している間スクロールする）：macOSでは、コンビネーションを押している間、デーモンがホットキーの文字キーを吸収します。抑制機能が使えない場合は、--hotkey f6 や --hotkey ctrl+cmd+j のような文字を含まないホットキーを推奨します。

macOSのホットキーが反応しない：システム設定 → プライバシーとセキュリティ でターミナルにアクセシビリティ / 入力監視の許可を与え、デーモンを再起動してください。

ロードマップ

• グローバルホットキーのプッシュトーク（voxagent ptt）

• ストリーミングSTT（話している間に部分的な文字起こし）

• ボイスメモリー — エージェントの返答用に自分の声をクローン

• OpenClaw / n8n 連携レシピ

• CosyVoiceを同梱したDockerイメージ

コントリビューション

IssueとPRを歓迎します — 特に新しいエンジンアダプター（GPT-SoVITS、F5-TTS、Piper...）を歓迎します。各アダプターは約40行です。パターンは voxagent/tts/cosyvoice_engine.py を参照してください。

ライセンス

MIT