Автор представляет Cicero, проект с открытым исходным кодом, обеспечивающий автономный двунаправленный голосовой интерфейс для AI-агентов. В отличие от инструментов диктовки с односторонней передачей, Cicero позволяет агентам отвечать голосом и инициировать вызовы пользователям через Telegram, сохраняя все аудиоданные локально.
- Интегрируется с Hermes Agent и любой системой, поддерживающей протокол клиента агента (ACP), включая Claude Code, Codex и Gemini CLI.
- Проект поддерживает несколько профилей, позволяя каждому экземпляру агента иметь собственный голос TTS и личность.
- Детали реализации показывают, что потоковая передача ответов по предложениям обеспечивает время отклика ~1 с, а удаление пауз из эталонных клипов улучшает качество клонирования голоса больше, чем замена моделей.
- Эффективная функция barge-in требует модели обнаружения речи, а не простого энергетического определения активности голоса, чтобы избежать ложных срабатываний при наборе текста.
Cicero позволяет пользователям сохранять конфиденциальность за счет локального выполнения преобразования речи в текст и текста в речь во время взаимодействия с агентами через аудиозвонки или ботов Telegram.