7.5MB 五模型端侧语音前端 Alkove:只留你的声音再进 STT
cocktailpartyfixer · reddit · 2026-10-21
作者在生产环境跑 LLM 语音助手时发现，麻烦多在 LLM 之前：周围人说话混进转写、误触发打断。于是做了开源（Apache-2.0）端侧语音前端 Alkove，五个小模型共约 7.5MB：
- Lex（1.8MB）：把输入的文本唤醒词转成可能的发音，唤醒词只需打字，不用训练或录音
- Spot（2.8MB）：监听这些发音，支持 7 种语言
- Timbre（0.74MB）：生成声纹，说三次唤醒词即建初版，边用边学
- Focus（1.1MB）：只保留你的声音，在 STT 前去掉噪声、音乐和他人人声
- Cue（1.1ms）：每 30ms 检测语音，配合声纹后只有你的话能开新对话轮
技术要点：自研 Rust 推理引擎（非 onnxruntime），WebAssembly/Python/Android 同位一致；浏览器端 134KB（brotli），AudioWorklet worker 驱动，无需 COOP/COEP 头；手机单线程速度 Focus 38.6ms/秒音频。提供 npm、pip、Android 包及 LiveKit Agents、Pipecat 插件。
实测：AMI 会议数据上，他人语音进入转写的词从每分钟约 17 个降到 0.5 个。局限：只适合近场单人麦克风，同性别声音同时说话仍难分离，16kHz 处理。
「编程与Agent」频道最新
- 用 8 张图+45 条语音训出原创角色 LoRA：MiniMax H3 实战全记录 — DeliciousGorilla · 2026-10-21
- Windows 没有 Gemini+Antigravity 统一客户端？开发者做了个开源扩展补上 — iamfivestars · 2026-10-21
- 开发者给 Claude Code agent 开视频站会，人类表现垫底 — stickygoose · 2026-10-21
- MCP SDK 2.3 升级报 ALREADY_CONNECTED？这是高危 CVE-2026-111770 的修复副作用 — Future_AGI · 2026-10-21
- 客户的 AI 助手来联系客服时，授权边界怎么划？ — IrfanZahoor_950 · 2026-10-21
- SF 两周走访观察：融资两极化，开发者已不看代码只审 agent — ai · 2026-10-21