按兴趣浏览，循来源深入。
LinTzuTang 在 GitHub 发布 Local Agent Lab，一个基于 Ollama、LangChain 1.x / LangGraph、自建模型网关和 PostgreSQL 的 Streamlit 工作台，可对 107 个本地模型做能力标注、一键下载和最多六模型同题对比，并内置九个 LangGraph 多智能体工作流与本地语音助手。近期更新包括级联、轮次、全双工三种语音对话模式，本地神经 TTS（Kokoro-82M、Qwen3-TTS 0.6B 等）与 TTS 基准，前端模型定为 Gemma 4 12B（7.7 GB，十模型七对话测试全对且无编造）。
推荐理由：作者在单台 Mac 上跑通本地 LLM 评测与多智能体演示，并给出各环节在 M5 Pro 上的实测延迟与吞吐数据。
开发者发布 Vocs，一款在 macOS 上用 whisper.cpp（large-v3-turbo）完全本地运行 Whisper 的听写应用，可将文本粘贴到任意应用。音频按静音边界分块边说边解码，短片段按实际长度开窗解码约提速 8 倍；还做了 [BLANK_AUDIO] 等音效标签剥离、重复循环检测重试、Rust 后处理（标点、大小写、口语命令、自定义词典）及约 120 MB 本地语法模型。转写路径无网络请求，macOS 13+，MIT 协议，基于 Tauri 和 Rust，源码在 GitHub。
推荐理由：开发者给出了流式分块解码和短片段约 8 倍加速等具体实现细节，本地语音听写方案有可参考的工程做法。
ashwinsingh2007 在 GitHub 开源了受钢铁侠 JARVIS 启发的 Mac 语音助手 J.A.R.V.I.S，MIT 协议。说 wake up 后全程免手操作，大脑可选 Claude Code、Anthropic API、Gemini 或 Ollama 本地模型；长任务交给后台 worker FRIDAY（默认跑 Opus），期间可继续对话并查询进度。语音识别与默认 Kokoro 语音都在本机运行，能操作已登录的 Chrome、Claude Code 会话和 Mac 应用，支持长期记忆、晨报、定时例程和 Telegram 遥控；发送、删除、付款等操作前会复述任务并等待确认。
推荐理由：作者完整公开了架构、安全边界和模型选择方案，想给 Mac 装一个语音 Agent 的人可以直接照着装起来试。
Ollama 0.40.11 起支持文本转语音，首个语音模型是 Gradium 的 Phonon 系列，目前可用 macOS，Windows 和 Linux 支持即将推出。在 M5 Max MacBook Pro 上，Ollama 借助 MLX 加速，吞吐比次快的 Gradium ptts 运行时快 35%，词错率与 Hugging Face Transformers 参考实现持平；Phonon 采用 Apache 2.0 许可，40M 版本为 CC BY-NC 4.0 限非商用，支持英语、法语、德语、西班牙语、葡萄牙语，并提供 OpenAI 兼容的 /v1/audio/speech 接口和流式播放。
推荐理由：官方给出了与 Gradium 自家运行时的吞吐对比和词错率对照数据，读者可以据此判断在 Apple Silicon 上本地跑语音模型的真实表现。
作者发布 WhisprFlow，一个在本地运行的 Windows 和 macOS 语音听写工具，按热键说话后自动清理填充词、加标点并粘贴到光标处。默认用 Phonon-2 在设备上转写、Ollama qwen3:4b-instruct 本地润色，无需账号和订阅；11 秒听写端到端约 1.7 秒（i5-13500HX + RTX 4050 实测），支持 Qwen3-ASR 处理多语言，词典从用户听写中学习术语拼写，代码 MIT 许可，macOS 代码路径保留但未测试。
推荐理由：原文给出实测延迟、模型选型对比和架构细节，读者可以据此评估这套本地语音听写方案是否适合自己复现。
作者发布 Alkove 早期预览，5 个小型模型（共 7.5 MB）在设备端运行于 STT 之前，支持任意文本自定义唤醒词、声纹过滤和仅针对本人语音的 VAD，代码与权重以 Apache-2.0 开放。引擎用 Rust 编写并编译到 WebAssembly、Python 和 Android，手机单线程上 Focus 处理每秒音频需 38.6 ms；AMI 会议测试中他人语音进入转写从约每分钟 17 词降到 0.5 词。当前局限包括仅适合近场麦克风、同时说话分离不完整、音频为 16 kHz。
推荐理由：作者给出了各模型体积、单线程延迟和 AMI 会议实测数据，可据此评估这套语音前端在本地助手里的实际可用性。
TurnCall 在 GitHub 发布 MIT 协议的自托管语音智能体引擎，通过一条 curl 即可创建绑定 Twilio 号码的电话接待员。级联管线 STT、LLM、TTS 处理约 800ms，S2S 方式约 300ms，来电感知延迟另加默认 800ms 的 silence_timeout_ms。支持 Deepgram、OpenAI、Anthropic Claude、Gemini、ElevenLabs、Cartesia、Ollama、OpenRouter、AWS Bedrock 等可按 agent 更换的 STT/LLM/TTS 组合，本地跑 Ollama 时音频不出本机网络；还含外呼 campaign、RAG 知识库、MCP 工具、A/B 测试、通话后 LLM 分析与 PII 脱敏合规套件。
推荐理由：原文给出完整的自托管语音智能体引擎架构与各环节延迟数字，读者可以对照自建方案评估管线和成本取舍。
Harsh251005 开源了 clinic-voice-agent，一个跑在 LiveKit 上的诊所语音智能体，支持 Hindi/English 混说，基于诊所自有数据解答并完成预约、改期、取消。语音链路按语言分管道，Hindi 用 Sarvam，English 用 ElevenLabs + OpenAI；预订确认规则写在 booking.py 的代码里而非提示词，因为实测 4 次中有 3 次模型未等来电者确认就预订；数据库用部分唯一索引防止并发重复预约。配套 Next.js 前台看板和运营方管理面板，含 520+ 后端测试与 44 个 Playwright 测试，docker compose up 即可本地体验。
推荐理由：原文把预订规则写在代码而非提示词里，并给出实测中模型未确认就预订的比例，读者可以借鉴这种用代码兜住模型行为的方法。
melnikaite 在 GitHub 发布自托管离线优先语音助手 voice-assistant，全部运行在本地硬件，无需云端 API key，多数任务可断网使用。默认栈为 LocalAI（llama.cpp）跑 Qwen3-VL-8B-Instruct 32k 上下文、whisper.cpp 流式 ASR、Coqui XTTS-v2 流式 TTS（6 秒样本克隆家庭成员声音），并带 WeSpeaker 说话人识别、语义记忆、个人条目库和 AppleScript/视觉回路的桌面自动化；破坏性操作由提示层、静态分类器和点击过滤三层只读闸门拦截。代码 MIT 协议，XTTS-v2 权重为 Coqui CPML 非商用许可。
推荐理由：项目文档给出了完整的技术栈选型、离线边界和桌面自动化的三层只读防护设计，想自建本地语音助手可以参考其架构取舍。
kuchris 在 GitHub 发布 openinterview，面向 Apple Silicon Mac 的本地低延迟语音识别与 AI 面试练习工具。支持 MLX Whisper、NVIDIA Parakeet 或 Apple SpeechAnalyzer 在设备上转写通话双方，最终延迟约 1–2 秒，音频不出本机；可识别技术与行为面试问题并忽略寒暄，通过 OpenCode（如 DeepSeek）或任意 OpenAI 兼容服务生成可口头表达的简短答案，并按导入的 CV 和目标岗位定制。支持英语、日语、简繁中文和粤语，会话可本地保存回放，需 macOS 14.2+。
推荐理由：开源的 macOS 面试练习工具，本地转写双方通话并按 CV 生成口头答案，隐私设计和延迟数据写得具体。
taylormartins 发布开源工具 LocalFlow，在 Windows 上按 Caps Lock 即可听写，Whisper 转文字后由可选的本地 LLM（经 Ollama）或内置规则清理填充词与口误，音频和文本不出本机、无需账号。RTX 4070 Ti 用 large-v3-turbo 实测 21 秒语音约 1.7 秒转写加 0.6 秒清理，约 12 倍实时；无 GPU 时回退 CPU 转写和算法清理，另支持手机听写、语音命令模式和自定义角色语气改写。
推荐理由：README 对清理链路的设计写得很实，包括防止 LLM 抢答的四道防线、延迟实测和 VRAM 争用排查，方法可迁移到类似本地语音工具。
作者发布 ComfyUI-SemBridge 节点包，将 ASLP-lab 的 SemBridge 模型（论文 arXiv:2608.07462）集成进 ComfyUI，支持中文和英文文本转语音、按对齐乐谱生成歌声以及语音加歌唱的连续生成，输出 mono 44.1 kHz 的标准 AUDIO 类型。模型代码在进程内运行，无需子进程或服务器；在 Windows 11 加 RTX 5090 上用官方仓库全部 10 个示例（4 语音、4 歌唱、2 混合）验证，与官方 SemBridge.generate 输出 16-bit PCM 逐样本一致，并通过 ComfyUI v0.38.0 真实队列测试；歌唱对乐谱的中位音高误差为 0.15 半音。
推荐理由：作者用官方仓库 10 个示例做了逐样本音频比对和音高误差实测，可信度数据可直接参考后再决定是否装进自己的 ComfyUI 流程。
jsanchez542-hub 公开了 Maître 仓库，一个面向餐厅等预约类商家的订位助手，客人可通过电话、网页聊天或 WhatsApp 预订，桌位、营业时间、日期和过敏原等规则全部由代码保证，语言模型只负责说话，已上线 maitre.live。项目用预先写好的 41 段对话（其中 26 段含电话场景）对真实模型做评测，每段跑三次，在 19 段对话的对比中 Claude Haiku 5.5 以 19/19、p95 延迟 5.7s、每次 $0.0021 被选用，10 月 15 日最新一轮全部通过；架构上每家餐厅对应一个 Cloudflare Durable Object，数据固定在欧盟，语音部分基于 LiveKit Agents，代码以只读评估为目的发布（保留所有权利）。
推荐理由：仓库用评测数据对比了多个真实模型并给出选择依据，读者可以借此了解规则交给代码、对话交给模型的工程取舍。
RunAnywhereAI 开源 runanywhere-sdks，一套 C++ 核心加八个 SDK（Swift、Kotlin、Flutter、React Native、Web、Electron、Python、wally CLI），在手机、浏览器、桌面和服务器上本地运行 LLM、VLM、语音、RAG、嵌入和 Stable Diffusion 图像生成，默认离线。
推荐理由：用一套 C++ 核心和八种语言 SDK 把 LLM、语音、视觉与图像生成统一到本地推理，还给出 Snapdragon NPU 上的实测吞吐数据。
Tether 在 GitHub 发布 QVAC，一套本地优先 AI 开发工具，支持在 Linux、macOS、Windows、Android 和 iOS 上运行 LLM、语音、视觉和图像/视频生成等负载。提供 JavaScript/TypeScript 与 Python SDK，内置 HTTP 服务器以 OpenAI 兼容 API 供 OpenCode、OpenClaw 等工具调用，快速示例使用 LLAMA_3_2_1B_INST_Q4_0 模型；能力表覆盖 RAG、LoRA 微调、Whisper 转写、TTS、OCR、VLA 等，并支持 P2P 模型分发和 NAT 穿透中继。
推荐理由：Tether 官方仓库文档，覆盖 JS/TS 与 Python SDK 和 OpenAI 兼容本地服务的完整接入方式，适合评估本地优先 AI 应用方案。
EchoMuse 在 GitHub 发布，可把二手 Amazon Echo Dot 2 代刷成 Home Assistant 的本地语音卫星，无需 Amazon 账号、Alexa 或云服务，麦克风、扬声器、LED 环和按键均可用。需先用 R0rt1z2 的 amonet-biscuit 解锁，控制器以 Home Assistant add-on 或 Docker 运行，支持唤醒词、barge-in、多 Dot 协同、自定义唤醒词和 WiFi OTA 更新。目前仅支持 Echo Dot 2 代，Echo Dot 3 等型号移植中；作者说明项目大部分代码由 Claude 协助编写。
推荐理由：把闲置的 Echo Dot 2 代改成本地语音助手，硬件门槛、解锁步骤和已知问题都写得具体，动手前可以先看。
adventists-ai 开源了 DuplexJev 系列语音决策模型（含 32B-Para、4B-Para、32B-Turn、32B-Stress 等），将 Qwen3-ASR-0.6B 编码器接入冻结 LLM，单次前向直接输出带概率的封闭选项判断，无需 ASR 转写与文本解码，10 项决策在单张 H200 上约 92 ms，比 ASR 加 LLM 级联快 21×。模型可识别转向状态、打断、情绪、性别、重音、停顿、笑声等非语言声音与说话风格，情绪与性别约 91%，turn-taking 在 CoDeTT 零样本达 70.0，全部支持 vLLM 部署，代码 Apache-2.0、完整模型 CC BY-NC 4.0，论文见 arXiv:2610.02638。
推荐理由：把冻结 LLM 变成免解码的语音决策引擎，一次前向同时输出转向、情绪、性别等带概率的多项判断，延迟与基准数据都给得完整。
Simon-Laux 在 GitHub 发布 hermes-deltachat-platform 插件，把 Delta Chat 作为 Hermes Agent 的网关渠道，支持文本、语音消息和 WebRTC 实时语音通话，需 Hermes Agent 0.21.5 或更新版本。插件支持群聊、@提及门控、cron 定时任务推送、webxdc 迷你应用生成，以及经沙箱化的 Delta Chat JSON-RPC API 自动化；基于端到端加密的 Delta Chat 账号，无需手机号注册。项目以 MPL-2.0 许可开源，作者说明主要由 Mistral Medium 3.5 和 Claude Opus 等 AI 辅助编码完成。
推荐理由：README 给出了插件安装、配置变量和安全边界的完整细节，想把 Hermes Agent 接入 Delta Chat 的读者可以直接照着部署。
作者开源 unseen-voice，在 Ubuntu 24.04 GNOME 46 Wayland 上按住右 Ctrl 即可说话，放开后自动贴上繁体中文，快速模式用本机 SenseVoice（CPU）全程离线，放开到贴上约 0.3 秒。整理模式把识别结果交给 LLM 依内置「小纸条」删赘词、条列、改写成 Email/Slack 或翻译成英文、日文、简体中文，默认方案 B 用本机辨识加 Groq gpt-oss-20b 整理，也支持本机 Ollama（默认 qwen3:4b-instruct-2507-q4_K_M）；提供 20 条历史纪录、替换字典、GNOME Shell extension、uninstall.sh 完整还原，MIT 授权。
推荐理由：README 完整给出安装、方案与耗时实测细节，想自建 GNOME Wayland 语音听写时可直接照着部署和比较本机与云端方案。
brancusi 在 GitHub 开源 Voice-Pipes，一个 macOS 菜单栏语音应用，可用热键触发自组装流水线，实现听写、朗读和提问。默认轨道包括 ⌥ Space 本机 Parakeet v3 转写后粘贴（松开后约 50–150 ms），⌥⇧ Space 经 MAI-Transcribe-2 加 Claude Haiku 清理后粘贴（OpenRouter），⌥ R 朗读选区或剪贴板（Pocket TTS）。
推荐理由：开源的 macOS 菜单栏语音工具，热键触发的可拼装流水线思路可直接迁移到本地听写与朗读场景。