OpenHuman 语音功能怎么开启：语音转文字、文字转语音与 Google Meet 实时会议助手-平芜编程栈

OpenHuman 语音功能怎么开启：语音转文字、文字转语音与 Google Meet 实时会议助手

【免费下载链接】openhumanOpenHuman is an open source personal AI for Mac, Windows and Linux — local-first memory, agent orchestration, and deep research.项目地址: https://gitcode.com/GitHub_Trending/op/openhuman

OpenHuman 的语音能力（STT 语音转文字、TTS 文字转语音、Google Meet 会议代理）是内置核心功能，不是第三方插件。这篇文章面向已经在 macOS、Windows 或 Linux 上安装好 OpenHuman 并登录的用户，说明如何开启并使用这三块语音功能：用快捷键进行语音听写、让代理用语音读回回复、以及让代理以真实参与者身份加入 Google Meet 会议。

完成后的结果：你可以按住快捷键说话，文字实时出现在输入框里；代理的回复可以被你选定的声音朗读出来；加入 Google Meet 后，会议实时转写写入本地 Memory Tree，代理还能通过会议麦克风把语音说进会议里。

前提：系统权限

语音功能依赖两个 OS 权限，第一次启动 OpenHuman 时系统会弹出授权提示：

macOS：Accessibility（辅助功能）权限；
语音快捷键需要 Input Monitoring（输入监控）权限。

这些权限可以随时在Settings中重新查看和调整。如果授权缺失，全局快捷键（比如 push-to-talk）无法注册，这是语音功能"没反应"最常见的原因。

开启语音转文字（STT）

STT 在 voice.md 中描述的完整能力包括：

Hotkey：支持 push-to-talk（按住说话）和 toggle（开关）两种模式；
Audio capture：跨平台麦克风采集，带语音活动检测；
Streaming transcription：边说边出字；
Hallucination filter：过滤常见的转录伪影（如 "Thanks for watching" 等静默诱发的短语）；
Postprocess：补标点、首字母大写、听写文本清理。

听写结果有两个去向：直接替换桌面当前活动文本输入框的内容，或发送进与代理的聊天。

在 Voice 设置面板中配置

打开Settings → Voice（应用内路由为/settings/voice，面板实现见 VoicePanel.tsx）。这个面板可以完成几类配置：

STT 路由：选择转写引擎，包括默认的云端（后端代理）方案、本地方案和外部 BYOK 服务商（如 Deepgram、ElevenLabs、OpenAI）。切换到外部服务商时需要填入 API key，默认模型在面板内预设（例如 OpenAI 的whisper-1）。
PTT 设置：/settings/voice面板内嵌了 PttSettingsPanel，管理 push-to-talk 快捷键、是否朗读代理回复（Speak agent replies）以及是否显示悬浮 overlay。
Always-on 监听：面板提供 always-on 开关，开启后显示常驻监听 HUD（notch）。

保存成功后面板会显示Voice settings saved.提示。

验证 STT 是否可用

按住已注册的 PTT 快捷键说话，输入框内应实时出现转录文字（streaming transcription）；
如果快捷键与已有的听写快捷键冲突，注册会失败并返回ConflictsWithDictation(<shortcut>)，设置面板会把它显示为冲突错误（来源：tauri-shell.md）；
已知边界：快捷键注册在 Wayland 环境或 macOS 缺少 Accessibility 权限时会被系统拒绝，面板会返回对应错误信息。此时先按上一节补授权，再回到设置面板重新注册快捷键。

开启文字转语音（TTS）

TTS 走的是托管 TTS 模型：代理的回复会被朗读出来，声音可按用户配置选择，吉祥物（mascot）头像会通过 viseme map 对音频流做口型同步（详见 mascot 文档）。

开启步骤：

在Settings → Voice面板中选择 TTS 引擎与音色。面板内建了一组 Piper 本地音色预设（如en_US-lessac-medium、en_US-amy-medium、en_GB-alan-medium等，覆盖美式/英式、男女声的medium/high档位），也支持自由输入其他音色名；
在聊天界面的 mascot 舞台上打开Speak replies out loud开关（实现见 ChatMascotStage.tsx），代理的回复即会被朗读；回复播放到一半时关掉该开关会停止正在播放的音频并清空队列；
保存后同样以Voice settings saved.提示确认。

如果走的是本地 Piper 引擎，面板内有独立的安装与状态轮询流程（安装中状态每 2 秒刷新一次状态，直到安装完成）。

验证方式：发一条消息，确认扬声器播放出语音、吉祥物口型与语音同步。注意 TTS 音频是流式生成并直接丢弃的，不会留存在磁盘上。

使用 Google Meet 实时会议助手

这是 OpenHuman 的旗舰语音集成，工作方式（来自 voice.md）：

加入会议：通过 OpenHuman 内嵌的 webview 加入 Google Meet（OpenHuman 自带 CEF 运行时来承载这类嵌入式 Web 应用，Google Meet 是受支持的 provider 之一，见 cef.md）；
实时转写：把会议音频流推给 STT，实时转写会议中所有人的发言，并把结构化笔记写进 Memory Tree；
开口说话：当你要求它发言、或它判断自己有价值补充时，通过 TTS 生成音频，并作为 outbound camera/mic 流播回会议——其他参会者能真正听到它。会议中它会以吉祥物摄像头画面作为"参会人"出现（CEF 文档描述了该 fake-camera 通路的实现）。

会议使用的模型走 Automatic Model Routing 的hint:fast低延迟会话路由（voice.md 的 See also 一节）。

验证方式：会议结束后打开Memory标签页查看 Memory Tree，应能看到会议转写与笔记（与 getting-started.md 中"Memory tab 出现 summaries"的同一检查逻辑）。