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。
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。
Related MCP server: VoiceLayer
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。
┌─────────────┐ 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：
レイヤー | デフォルト | アップグレードパス | 設定 |
STT | faster-whisper ( |
|
|
TTS | edge-tts (セットアップ不要) | ローカルCosyVoiceサーバー |
|
言語 | 自動検出 |
|
|
すべてのオプションは .env.example を参照してください。
ツール | 機能 |
| マイクを録音 → テキスト化。無音で自動停止、VADフィルタリング。 |
| テキスト → スピーカーで音声再生。再生した秒数を返します。 |
| 質問を音声で読み上げ、発話された回答を取得します。 |
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。
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。
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
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。
This server cannot be deployed
Human-input bridge for AI agents with voice-first answer links, MCP tools, and HTTP APIs.
Persistent, verbatim, searchable memory for AI assistants — one memory across every MCP client.
Command your AI agents by voice: PTT rooms, channels, direct messages, agent email, memory (mRAG).
OCR, transcription, file extraction, and image generation for AI agents via MCP.