推荐TTS用pyttsx3（离线轻量）或gTTS（需网、多语言），高自然度选Coqui TTS；ASR离线首选Whisper.cpp或Vosk，在线可用云API。
语音合成（TTS）快速上手
Python中实现文本转语音，推荐使用pyttsx3（离线、轻量）或gTTS（需网络、支持多语言）。若追求自然度，可接入Coqui TTS（开源、支持微调）。
基础示例（pyttsx3）：
- 安装：
pip install pyttsx3 - 初始化引擎并朗读：
import pyttsx3<br>engine = pyttsx3.init()<br>engine.say("你好，这是语音合成")<br>engine.runAndWait() - 可调节语速、音量、选择本地语音（如Windows的Zira、David；macOS的Alex）
语音识别（ASR）主流方案选型
离线识别优先考虑Whisper.cpp（C++加速版Whisper）或Vosk（小模型、低延迟、支持中文）；在线识别可用Python免费学习笔记（深入）”；
- 下载对应语言模型（如vosk-model-small-zh-cn）
- 加载模型与音频（WAV格式，16kHz单声道）：
from vosk import Model, KaldiRecognizer<br>model = Model("vosk-model-small-zh-cn")<br>rec = KaldiRecognizer(model, 16000) - 逐帧识别，获取JSON结果后提取
"text"字段
TTS与ASR双向交互集成
构建“听—理解—说”闭环，关键在音频流衔接与状态管理。不建议边录边播，应分阶段处理：录音 → 识别 → 逻辑响应 → 合成 → 播放。
典型结构示意：
- 用pyaudio实时采集麦克风音频，保存为临时WAV文件
- 调用Vosk识别该WAV，得到文本；做关键词匹配或接LLM生成回复
- 将回复文本送入pyttsx3/gTTS生成语音文件（或内存音频流）
- 用playsound或pygame.mixer播放合成语音
- 加入简单超时与重试机制，避免卡死
进阶：轻量化Whisper+Edge-TTS端到端实践
若需更高识别准确率且接受一定资源开销，可用faster-whisper（CTranslate2加速）替代Vosk；语音合成换用微软Edge-TTS（免费、音色丰富、中文自然）。
操作要点：
pip install faster-whisper edge-tts- faster-whisper支持GPU推理，加载模型时指定
device="cuda"可提速3–5倍 - Edge-TTS无需本地模型，按需生成MP3：
import asyncio<br>async def tts_to_file(text):<br> await edge_tts.Communicate(text, "zh-CN-YunxiNeural").save("out.mp3") - 注意异步调用需
asyncio.run()驱动，避免阻塞主线程
部署与避坑提醒
项目打包为exe时，pyttsx3和Vosk易因路径问题失效；Whisper模型较大，首次运行会自动下载，建议预置模型路径并设WHISPER_MODELS_DIR环境变量。
常见问题：
- 音频设备权限失败 → 检查系统麦克风/扬声器权限，Windows需开启“允许应用访问麦克风”
- Vosk识别为空 → 确认WAV采样率是16kHz、单声道、PCM编码
- Edge-TTS报网络错误 → 检查代理设置或换用国内镜像（部分版本支持）
- 合成语音卡顿 → 避免在识别线程中直接调用TTS，改用队列+独立播放线程
