लेखक Cicero का परिचय देते हैं, जो AI एजेंट्स के लिए स्व-होस्टेड, द्विदिक्कीय आवाज़ इंटरैक्शन प्रदान करने वाला एक ओपन-सोर्स प्रोजेक्ट है। वन-वे डिक्टेशन टूल्स के विपरीत, Cicero एजेंट्स को Telegram के जरिए बोलने और उपयोगकर्ताओं को कॉल करने की अनुमति देता है, सभी ऑडियो को स्थानीय रूप से रखते हुए।
- यह Hermes Agent और किसी भी सिस्टम के साथ एकीकृत होता है जो एजेंट क्लाइंट प्रोटोकॉल (ACP) का समर्थन करता है, जिसमें Claude Code, Codex, और Gemini CLI शामिल हैं।
- प्रोजेक्ट में कई प्रोफ़ाइल का समर्थन है, जिससे प्रत्येक एजेंट इंस्टेंस के पास अपनी TTS आवाज़ और व्यक्तित्व हो सकता है।
- इम्प्लीमेंटेशन विवरण बताते हैं कि वाक्य-दर-वाक्य स्ट्रीमिंग जवाब लगभग 1 सेकंड के रिस्पॉन्स टाइम प्राप्त करते हैं, जबकि रेफरेंस क्लिप्स से सन्नाटा हटाना मॉडल बदलने की तुलना में आवाज़ क्लोन गुणवत्ता को अधिक बेहतर बनाता है।
- प्रभावी barge-in फंक्शनलिटी के लिए एक स्पीच डिटेक्शन मॉडल की आवश्यकता होती है, न कि टाइपिंग से गलत ट्रिगर से बचने के लिए साधारण एनर्जी-आधारित वॉइस एक्टिविटी डिटेक्शन।
Cicero उपयोगकर्ताओं को स्थानीय रूप से स्पीच-टू-टेक्स्ट और टेक्स्ट-टू-स्पीच चलाकर गोपनीयता बनाए रखने की अनुमति देता है, जबकि वे ऑडियो कॉल या Telegram बॉट्स के माध्यम से एजेंट्स के साथ इंटरैक्ट करते हैं।