L'auteur présente Cicero, un projet open-source qui offre une interaction vocale bidirectionnelle et auto-hébergée pour les agents IA. Contrairement aux outils de dictée unidirectionnels, Cicero permet aux agents de parler en retour et d'appeler les utilisateurs via Telegram, en gardant tout l'audio local.
- Il s'intègre avec Hermes Agent et tout système prenant en charge le protocole client d'agent (ACP), y compris Claude Code, Codex et Gemini CLI.
- Le projet prend en charge plusieurs profils, permettant à chaque instance d'agent d'avoir sa propre voix TTS et sa personnalité.
- Les détails de l'implémentation révèlent que la diffusion des réponses phrase par phrase atteint des temps de réponse d'environ 1s, tandis que le découpage du silence dans les clips de référence améliore davantage la qualité du clonage vocal que le changement de modèles.
- Une fonctionnalité de barge-in efficace nécessite un modèle de détection vocale plutôt qu'une simple détection d'activité vocuelle basée sur l'énergie pour éviter les déclenchements faux positifs dus à la frappe au clavier.
Cicero permet aux utilisateurs de maintenir leur vie privée en exécutant localement la reconnaissance vocale (speech-to-text) et la synthèse vocale (text-to-speech) tout en interagissant avec des agents via des appels audio ou des bots Telegram.