El autor presenta Cicero, un proyecto de código abierto que proporciona interacción de voz bidireccional autoalojada para agentes de IA. A diferencia de las herramientas de dictado unidireccionales, Cicero permite que los agentes hablen y llamen a los usuarios a través de Telegram, manteniendo todo el audio local.
- Se integra con Hermes Agent y cualquier sistema que soporte el Protocolo de Cliente de Agente (ACP), incluyendo Claude Code, Codex y Gemini CLI.
- El proyecto soporta múltiples perfiles, permitiendo que cada instancia de agente tenga su propia voz TTS y personalidad.
- Los detalles de implementación revelan que las respuestas en streaming por oración logran tiempos de respuesta de ~1s, mientras que recortar el silencio de los clips de referencia mejora la calidad del clon de voz más que cambiar modelos.
- La funcionalidad efectiva de barge-in requiere un modelo de detección de voz en lugar de una simple detección de actividad de voz basada en energía para evitar activaciones falsas por la escritura.
Cicero permite a los usuarios mantener la privacidad ejecutando localmente la conversión de voz a texto y de texto a voz mientras interactúan con agentes a través de llamadas de audio o bots de Telegram.