语音助理的四层架构：VAD → 语音识别 → LLM → 语音合成，这四层常常来自不同服务商。想换掉其中一家，往往得整组管线重写。

语音助理的四层架构：VAD → 语音识别 → LLM → 语音合成，这四层常常来自不同服务商。想换掉其中一家，往往得整组管线重写。

Hugging Face 开源了 speech-to-speech，把这四层模块化，让你像换零件一样替换其中一段。

• VAD、STT、LLM、TTS 各自都能替换，不绑死单一供应商
• 可以直接把 OpenAI Realtime API 换成本地版本，不用重写整套逻辑
• 所有模型都能在本地跑，语音数据不必离开自己的机器

github.com/huggingface/speech-to-speech