核心功能
Local Voice 是一款面向 Apple Silicon Mac 的本地化语音 AI 解决方案，整合 FluidAudio 的 CoreML 模型实现高性能文本转语音(TTS)与语音转文本(STT)。该方案通过 HTTP 守护进程提供服务，无需云端依赖，在隐私保护与响应速度方面具有显著优势。
TTS 能力：基于 Kokoro 模型，提供 54 种预设音色，典型延迟 0.6-0.8 秒，支持语速调节(0.5-2.0x)、去齿音处理及基础 SSML 标签。推荐音色包括 af_heart(温暖自然)、af_bella(富有表现力)等。
STT 能力：采用 Parakeet TDT v3 模型，延迟约 0.2-0.3 秒，支持 25 种语言识别，适合实时交互场景。
显著优点
1. 完全本地化：零云端依赖，无 API 费用，离线可用，从根本上消除语音数据外泄风险
2. 硬件加速：深度利用 Apple Neural Engine，能效比优于 CPU 推理方案
3. 亚秒级延迟：首载后响应时间低于 1 秒，显著优于多数云端 TTS 服务
4. 开发者友好：提供简洁 REST API，易于集成至现有语音助手或自动化工作流
潜在局限
- 平台限制：仅限 macOS 14+ 与 Apple Silicon 设备，x86 架构及旧版本系统不支持
- 首次冷启动：模型初始加载需 8-10 秒，需合理设计预加载策略
- 音色定制受限：54 种预设音色无法自定义训练，个性化程度低于部分云端方案
- SSML 支持有限：仅支持基础标签（phoneme、sub、say-as），复杂场景表现力不足
适用人群
- 注重隐私的本地 AI 用户（如 StellaScreen 等语音助手开发者）
- 需要离线语音能力的 macOS 自动化工作流构建者
- 希望替代 Azure/ AWS/ Google 云 TTS 以降低成本的企业开发者
- Apple 生态深度用户，追求端侧 AI 体验
常规风险
1. 构建复杂度：需 Swift 工具链、espeak-ng 依赖及手动处理动态库路径，对非开发者门槛较高
2. 守护进程稳定性：LaunchAgent 配置不当可能导致服务异常退出，需监控日志输出
3. 模型更新维护：CoreML 模型需跟随 FluidAudio 上游更新，存在兼容性维护成本
4. 资源占用：Neural Engine 推理虽高效，但多并发场景下可能与其他 ML 任务竞争算力