核心用法
Local Voice 是基于 FluidAudio 的 Apple Silicon 原生语音 AI 解决方案，提供完全离线的文本转语音（TTS）和语音转文本（STT）能力。用户需通过 Homebrew 安装依赖、编译 Swift 守护进程、配置 LaunchAgent 实现后台服务，最终通过本地 HTTP 端点（127.0.0.1:18790）调用 API。
TTS 功能：采用 Kokoro 模型，支持 54 种语音，延迟约 0.6-0.8 秒，提供语速控制（0.5-2.0 倍）、SSML 标记、自动标点语气等功能。STT 功能：基于 Parakeet TDT v3 模型，支持 25 种语言，延迟仅 0.2-0.3 秒。两者均运行于 Apple Neural Engine，无需联网、无 API 费用。
显著优点
- 隐私安全：100% 本地处理，敏感语音数据不上传云端
- 极速响应：首次加载后亚秒级合成，STT 延迟低于 300ms
- 零边际成本：无按量计费，适合高频调用场景
- 硬件优化：CoreML 模型专为 ANE 优化，能效比优异
- 开放架构：HTTP API 便于集成至现有语音助手或自动化工作流
潜在局限
- 平台锁定：仅支持 macOS 14+ 与 Apple Silicon（M1/M2/M3/M4），x86 及非苹果设备无法使用
- 首次冷启动：模型加载需 8-10 秒，期间体验明显延迟
- 部署复杂度：需手动编译 Swift 项目、处理动态库路径、配置 LaunchAgent，技术门槛较高
- 语音定制受限：默认 54 种预设语音，无法像云端服务（如 ElevenLabs）进行精细克隆或风格迁移
- 依赖维护：espeak-ng 等外部依赖版本更新可能导致兼容性问题
适合人群
- 重视隐私的开发者与个人用户（医疗、法律等敏感场景）
- 需要高频语音交互且希望控制成本的 Apple Silicon 用户
- 构建本地语音助手或智能家居中控的技术爱好者
- 需要离线语音能力的野外/无网络环境工作者
常规风险
- 模型偏见：训练数据可能存在语言、性别、口音代表性偏差
- 误识别风险：STT 在嘈杂环境或专业术语场景下准确率下降
- 系统资源占用：持续后台运行消耗内存与 ANE 算力，可能影响其他机器学习任务
- 供应链风险：FluidAudio/CoreML 模型更新依赖第三方维护，长期支持存疑