著者は、AIエージェント向けに自前ホスト型・双方向の音声インタラクションを提供するオープンソースプロジェクト「Cicero」を紹介しています。一方通行のDictationツールとは異なり、Ciceroはエージェントが音声で応答し、Telegram経由でユーザーを呼び出すことができ、すべてのオーディオデータをローカルに保持します。

  • Hermes AgentやAgent Client Protocol (ACP)に対応するあらゆるシステム（Claude Code、Codex、Gemini CLIを含む）と統合されます。
  • 複数のプロファイルをサポートしており、各エージェントインスタンスが独自のTTS音声と人格を持つことができます。
  • 実装の詳細によると、応答を文単位でストリーミングすることで約1秒の応答時間を達成し、リファレンスクリップから無音部分をトリミングすることは、モデルを変更するよりも音声クローンの品質向上に効果的です。
  • 誤検知（タイピング音などによる）を防ぐため、単純なエネルギーベースの音声活動検出ではなく、音声検出モデルを用いた効果的なバージイン機能が不可欠です。

Ciceroにより、ユーザーは音声通話やTelegramボットを通じてエージェントとインタラクションしながら、音声からテキストへの変換（STT）およびテキストから音声への変換（TTS）をローカルで実行し、プライバシーを維持できます。