JARVIS

GitHub
518 99 简单 3 次阅读 3天前GPL-3.0语言模型音频开发框架
AI 解读 由 AI 自动生成,仅供参考

JARVIS 是一款个人语音助手,可以将语音转换为文字、通过大型语言模型生成回复,并将回复转化为语音播放,同时在网页界面中展示对话内容。它解决了用户与智能助手交互的便捷性问题,让语音操作变得更加自然和直观。

这款工具特别适合开发者和研究人员使用,尤其是那些对语音识别、自然语言处理和语音合成技术感兴趣的用户。借助 JARVIS,开发者可以快速搭建一个功能完整的语音助手原型,用于实验或实际项目。普通用户如果具备一定的技术基础,也可以尝试部署并体验个性化的语音助手服务。

JARVIS 的独特之处在于其模块化设计:它利用 Deepgram 实现精准的语音转文字,借助 OpenAI 的 GPT-3 API 生成高质量的回复,并通过 ElevenLabs 提供逼真的语音合成效果。整个对话过程还会实时显示在网页界面上,方便用户查看历史记录和交互细节。这种多技术栈的整合不仅提升了用户体验,还为开发者提供了灵活的扩展能力。

如果你希望探索语音助手的应用场景,或者需要一个强大的工具来辅助日常工作和学习,JARVIS 将是一个值得尝试的选择。

使用场景

一位独立开发者正在开发一款智能家居控制系统,需要频繁调试代码、查询文档和测试功能。

没有 JARVIS 时

  • 每次遇到问题都需要手动打开浏览器搜索解决方案,打断开发流程
  • 调试过程中需要反复切换窗口查看日志和错误信息,效率低下
  • 在测试语音控制功能时,必须手动输入测试语句,无法模拟真实使用场景
  • 查询 API 文档或技术资料时,需要在多个页面间来回切换,耗时费力
  • 长时间盯着屏幕工作容易导致视觉疲劳,影响专注度

使用 JARVIS 后

  • 可以直接通过语音询问技术问题,快速获得解答,无需中断开发
  • 语音指令让开发者能一边调试代码一边获取所需信息,减少窗口切换
  • 测试语音功能时可以直接与 JARVIS 对话,更贴近实际使用场景
  • 通过语音查询文档和资料,JARVIS 能快速返回相关信息,提升效率
  • 减少屏幕依赖,用语音交互降低视觉疲劳,保持更长时间的高效工作

JARVIS 让开发者专注于核心任务,显著提升工作效率和开发体验。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes需要 Deepgram、OpenAI 和 ElevenLabs 的 API 密钥;首次运行需安装 requirements.txt 中的依赖库;运行时需同时启动 display.py 和 jarvis.py。
python3.8 - 3.11
deepgram
openai
elevenlabs
pygame
taipy
JARVIS hero image

快速开始

JARVIS

JARVIS 帮助我选择枪械

您自己的语音个人助手:从语音到文本,再到大语言模型(LLM),最终转换为语音,并在网页界面中显示。

工作原理

  1. :microphone: 用户对着麦克风讲话
  2. :keyboard: 使用 Deepgram 将语音转换为文本(语音转文本服务)
  3. :robot: 文本被发送到 OpenAI 的 GPT-3 API 以生成回复
  4. :loudspeaker: 回复通过 ElevenLabs 转换为语音(文本转语音服务)
  5. :loud_sound: 使用 Pygame 播放语音
  6. :computer: 对话内容通过 Taipy 在网页上显示

视频演示

YouTube 开发日志

需求

Python 3.8 - 3.11

确保您拥有以下 API 密钥:

安装方法

  1. 克隆仓库
git clone https://github.com/AlexandreSajus/JARVIS.git
  1. 安装依赖
pip install -r requirements.txt
  1. 在根目录下创建一个 .env 文件,并添加以下变量:
DEEPGRAM_API_KEY=XXX...XXX
OPENAI_API_KEY=sk-XXX...XXX
ELEVENLABS_API_KEY=XXX...XXX

使用方法

  1. 运行 display.py 启动网页界面
python display.py
  1. 在另一个终端中运行 jarvis.py 启动语音助手
python main.py
  • 准备就绪后,网页界面和终端都会显示 Listening...
  • 现在您可以对着麦克风讲话
  • 停止讲话后,它将显示 Stopped listening
  • 然后开始处理您的请求
  • 回复准备好后,它将显示 Speaking...
  • 回复将被播放并显示在网页界面中。

以下是一个示例:

Listening...
Done listening
Finished transcribing in 1.21 seconds.
Finished generating response in 0.72 seconds.
Finished generating audio in 1.85 seconds.
Speaking...

 --- USER: good morning jarvis
 --- JARVIS: Good morning, Alex! How can I assist you today?

Listening...
...

说早安

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

140.4k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|昨天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2天前
Agent图像开发框架