Голосовой агент на Python: клонируем голос за 100 строк

Что в ролике
Если хочется собрать голосового агента, который отвечает вашим же голосом, автор показывает, как сделать это на Python меньше чем в 100 строках. Сначала он объясняет пять шагов: захват звука с микрофона, распознавание речи через AssemblyAI, передача текста в LLM, синтез ответа тем же голосом и вывод в динамик. Голос клонируется в панели AssemblyAI: нужно записать 10–20 секунд речи, получить voice ID, а затем использовать его в коде. В проекте на UV устанавливаются зависимости assemblyai, httpx, python-env и sounddevice, а ключ API и voice ID хранятся в env-файле. Функция listen записывает звук до нажатия Enter и отправляет его на транскрипцию, функция think передаёт текст в LLM через шлюз AssemblyAI с моделью Cohere и историей диалога, а функция speak стримит ответ через text-to-speech с клонированным голосом. В конце всё зацикливается: агент слушает, думает и отвечает, пока пользователь не скажет goodbye. Автор отмечает, что для продакшена стоит использовать LiveKit, а весь код лежит в описании.
Практика
- Что получишь
- Рабочий шаблон голосового агента на Python, который записывает вашу речь, отвечает через LLM и озвучивает ответ клонированным голосом; код можно скачать из описания.
- Первый шаг
- Зарегистрироваться на AssemblyAI по ссылке из описания, получить бесплатные 50 долларов кредитов и записать 10–20-секундный образец голоса для клонирования.
- Цифры
- —100 строк — примерно столько кода в итоговом скрипте
- —$50 — бесплатные кредиты AssemblyAI по ссылке автора, из них на тестирование ушло 4 цента
- —10–20 секунд — столько нужно записать для клонирования голоса
- —200 токенов — максимальная длина ответа LLM, заданная в коде
- Честно
- Видео спонсировано AssemblyAI: автор использует их платформу для STT, LLM и TTS и даёт партнёрскую ссылку на регистрацию с 50 долларами бесплатных кредитов. Код доступен только через бесплатное сообщество автора (School Community) по ссылке в описании. Настройки API-ключа и голоса показываются на экране, но значения ключа скрыты, а точные параметры записи (частоты, буферы) в пересказе опущены — их придётся смотреть в видео.
Если слова незнакомы — 5 терминов
- LLMбольшая языковая модель, которая генерирует текст ответа
- voice IDуникальный идентификатор клонированного голоса в AssemblyAI
- APIпрограммный интерфейс для доступа к сервисам
- UVменеджер проектов и зависимостей для Python
- text-to-speechпреобразование текста в речь
Связки из этого ролика
2 шт.- AssemblyAI + Python
- UV + Python
Компоненты
4 шт.Формат: пошаговый урок · для практикующих · уверенность разметки 0.88 · источник