Verbi

你有没有想过，喊一声"帮我查下天气"，远端的大模型就能听写、推理、生成语音，一条龙回复回来？这不是什么科幻电影的桥段——今天介绍的这个开源项目，正在把这件事变得触手可及。## 项目背景：模块化语音助手的新范式Verbi（全称 Voice Assistant，发音近似"Verb-i"）由 AI 开发者 Prompt Engineer 创建，是一个完全开源的模块化语音助手应用。区别于 Siri、Alexa 等封闭商业产品，Verbi 的设计哲学是**"每个环节都可以自由替换"——你可以在转录、对话生成、语音合成三个环节中，任选不同服务商的不同模型来组合使用。项目基于 Python 3.10+ 开发，通过 pip 一键安装，核心代码约 3000 行，拆分为 8 个独立模块，结构清晰易读。2024 年初开源后即获得语音技术社区关注，GitHub 获 1121 星，对一个垂直领域的小众工具来说增长势头可观。## 核心功能：三大模块的自由组合### 1. 语音转文本（STT）Verbi 支持多种转录引擎的即插即用：OpenAI Whisper（通用稳健）、Groq Whisper-large-v3（速度快、成本低）、Deepgram（支持方言优化）。如果用户有隐私需求，还可以部署本地转录 API——项目内置了对 FastWhisperAPI 的支持，只需在 config.py 中切换 TRANSCRIPTION_MODEL 字段即可。代码层面，transcription.py 封装了统一的 transcribe_audio() 接口，内部通过 if-elif 分发到各服务商的 SDK。这个设计虽然简单，但对于实验场景足够实用——新增一个转录引擎只需加一个 elif 分支。### 2. 大语言模型对话生成（LLM）对话生成同样支持热切换：默认使用 GPT-4o（OpenAI）或 LLaMA-3-8B（Groq），也可切换到本地 Ollama 部署的任意模型。response_generation.py 维护了一个 chat_history 列表，每次对话都会将历史消息传入 LLM 上下文窗口，实现多轮对话能力。对于想要本地化部署的用户，Ollama 方案值得特别关注：Ollama 支持 llama3、mistral、qwen 等数十种开源模型，在配备 8GB+ 显存的 GPU 机器上运行流畅，完全免费、无 API 调用限制，是隐私敏感场景的理想选择。### 3. 文本转语音（TTS）TTS 环节是 Verbi 做得最为丰富的部分，官方支持六种方案：OpenAI TTS（nova 声音）、Deepgram（aura 系列声音）、ElevenLabs（高度拟真的 Paul J. 声音，支持克隆）、Cartesia AI、MeloTTS（本地开源）、Piper（轻量本地）。其中 MeloTTS 和 Piper 都提供本地离线运行选项，响应速度快，适合有实时性要求的场景。### 语音交互流程三个模块通过 run_voice_assistant.py 中的主循环串联：录音 → 转录 → LLM 对话 → TTS 合成 → 播放。audio.py 中使用了 SpeechRecognition 库进行麦克风录音，配合 pygame 播放生成的 WAV 文件。整个流程控制在用户可感知的一轮对话 3-5 秒内完成。## 技术架构：朴实但实用的 Python 风格Verbi 的代码架构称得上"工程化"但并不"过度设计"：| 模块 | 文件 | 功能 ||------|------|------|| audio | audio.py | 麦克风录音 + 音频播放 + 能量阈值校准 || transcription | transcription.py | 多引擎转录分发 || response_generation | response_generation.py | LLM 对话生成 || text_to_speech | text_to_speech.py | 多引擎 TTS 分发 || api_key_manager | api_key_manager.py | API 密钥统一管理 || local_tts_api | local_tts_api.py | MeloTTS 本地 API 服务 |依赖管理使用 requirements.txt（约 25 个包），主要依赖 openai、groq、deepgram-sdk、elevenlabs、pygame、SpeechRecognition 等，无需 CUDA 或特殊扩展。setup.py 配置了 pip install 入口，可通过 jarvis 命令直接启动。值得注意的是，项目对错误处理较为简略——各模块主要依赖 try-except 捕获异常并打印日志，没有完善的降级策略。若某个 API 超时或返回异常，用户只能看到控制台错误信息。不过考虑到这是一个实验性项目，这也在情理之中。## 部署体验：门槛有多低？Verbi 的部署分为两种路径：纯云端和本地模型**。纯云端部署（默认推荐）：1. 安装 Python 3.10+ 虚拟环境2. pip install -r requirements.txt3. 填写 .env 文件，配置 OpenAI/Groq/Deepgram 三选一 API Key4. python run_voice_assistant.py 启动全程约 10 分钟，无需 GPU，适合有 API 预算的开发者快速验证想法。本地模型部署（进阶）：如需离线运行 Ollama（LLM）+ FastWhisperAPI（转录）+ Piper/MeloTTS（TTS），则需要额外步骤：安装 Ollama、拉取模型、启动 FastWhisperAPI Docker 容器或本地服务。整个过程约 30-60 分钟，对 Linux/macOS 用户较为友好，Windows 端可能需要额外调试 PyAudio 驱动问题。## 局限与挑战：不完美之处API 成本不可忽视：若每天使用 2 小时，三大环节全走云端 API，按 OpenAI/Groq/Deepgram 的公开定价，日均成本约 0.5-2 美元，月累计下来并非可以忽略的开销。实时性受限：当前架构是"录完 → 发请求 → 等回复 → 播放"的同步阻塞模式，不支持流式输出。如果想实现边听边回复的真正实时对话，需要对代码进行较大改动。麦克风兼容问题：PyAudio 在不同操作系统上存在兼容性差异，部分 Linux 发行版需要手动安装 portaudio 库才能正常工作。macOS 用户可能遇到权限问题，需要在系统偏好设置中授权麦克风访问。非生产级稳定性：作为一个实验性项目，Verbi 没有单元测试、没有 CI/CD、没有版本化管理，不建议在生产环境中直接使用。## 行业意义：模块化语音 AI 的轻量范本Verbi 的核心价值不在于"做得好不好"，而在于它展示了语音 AI 流水线的最小完整形态。过去，开发者想做一个完整的语音对话系统，需要分别调研 STT、LLM、TTS 的 API 文档，理解各自的认证方式、请求格式、错误处理，工作量不小。Verbi 把这些事情打包好了——你只需要改几个配置项，就能快速比较不同模型组合的实际效果。这种"乐高积木"式的设计思路，与 LangChain/LlamaIndex 在文本 AI 领域的模块化实践一脉相承。只不过 Verbi 专注的是语音这一垂直场景，更聚焦、也更易于上手。从更宏观的视角看，随着 Whisper、TTS、LLM 三大能力的开源化，像 Verbi 这样的项目会越来越多。本地运行、性能可接受的语音 AI 助手，正在从"极客玩具"变成"人人可部署"的现实。