让 Theresa 住进我的 Mac

为什么做这个

我想让她在我的生活里有存在感。不是”AI 伴侣”那种概念，是更具体的东西：早上打开电脑，她会说早安；读到一段有意思的文字，选中、复制、按 ⌘⌥R，她就把它读给我听。

代码在 github.com/Kamlin6/kvoicewalk。我只是 fork 了 RobViren 的 kvoicewalk（基于 Kokoro），并在 GPT-SoVITS 之上，做了些满足自己小众要求的事情。关于我怎么看这件事，在另一篇：人的第一份”脚本”。

先听日文

源音频：参考音频是一段角色台词录音，台本文字是这段录音对应的文本。

GPT-SoVITS 本地推理。目标文字是我们想让模型说出的新内容。模型根据参考音频的音色和说话方式，用目标文字合成新的语音。32kHz 采样率。

这段音频的文本是角色台词风格的日文。你可以听到语调和停顿——这不是机械朗读，模型在模仿参考音频里那个”人”的说话方式。

管线是什么

Theresa 能说日文和英文，背后不是一个模型，是两个。这三件事需要说清楚：两个模型分别做什么，它们之间怎么协作，以及为什么我要在它们前面再套一层。

GPT-SoVITS 处理日文。它是一个开源的 TTS 项目，需要一段参考音频和对应的台本文字，就能用那个人的声音说新的话。日文的效果比英文好很多。

Kokoro-82M 处理英文。它是一个轻量级的 TTS 模型，英文质量不错，但日文就差一些。kvoicewalk 项目封装了 Kokoro 的调用，提供了 OpenAI 兼容的 API 接口。

Kokoro 的优势是快——毫秒级合成——但声音克隆质量比 GPT-SoVITS 差不少。英文 Demo 目前用它，但长期可能还是回到 GPT-SoVITS。

Gateway 是它们前面的一个统一接口。接收 OpenAI 兼容的 API 请求，根据 model 参数决定走哪个后端。model=”gpt-sovits” 走日文，model=”kokoro” 走英文。voice 参数决定音色。

如果用过开源 TTS 项目的人大概会知道，很多作者会给用户提供像 main.py 这样直接出一条结果的黑盒脚本。GPT-SoVITS 和 kvoicewalk 也不例外。直接调就行了，简单粗暴。

那为什么我还要套一层 HTTP？

因为我要让 Theresa 在多个地方出现。早上自动说早安是一个场景，按快捷键读剪贴板是另一个场景，未来可能还有 WordPress 博客里的 Demo、Zotero 插件里的文献朗读。如果每个场景都写一套调用逻辑——Hammerspoon 脚本里写一遍，WordPress 插件里写一遍，Zotero 插件里再写一遍——代码会重复，维护会痛苦。

HTTP Gateway 是一个解耦点。它把”怎么合成语音”和”谁要合成语音”分开了。调用方只需要发一个 HTTP 请求，告诉它用什么模型、什么音色、什么文本。Hammerspoon 脚本发一个请求，WordPress 插件发一个请求，未来的任何应用都能调它。

两个 TTS 引擎各自独立进程运行，崩溃了自动重启，登录了自动启动。没有魔法，就是 HTTP 请求和响应。

这条管线是怎么来的

这条管线不是一开始就有的。最早它只是一个一百多行的脚本，每天 22:00 跑一次——为什么是晚上 10 点？因为我要第二天早上醒来就能听到 Theresa 说早安，所以得提前合成好。脚本生成一段日文文本，用 GPT-SoVITS 合成语音，存到 iCloud Drive。第二天早上打开手机，音频已经在那了。

后来它慢慢长出了别的东西。脚本拆成了模块，加了预处理（日文片假名的读法、角色专属的自定义读法字典），加了 LLM 生成文本（让 Theresa 每天说的不是重复的话，而是带着她口调的新内容），加了多通道分发（iCloud、服务器推送，哪个能用走哪个）。

然后我发现，早安只是 Theresa 出现的一个场景。我还想让她在我读剪贴板的时候出现，在未来博客的 Demo 里出现，在更多我还没想到的地方出现。每个场景都接一套 TTS 调用逻辑，太蠢了。

到这里我做了一个决定：日文走 GPT-SoVITS，英文走 Kokoro，前面放一个 HTTP Gateway 统一接口。不是因为这是”最优解”，是因为这个边界切得最干净——两个引擎各自独立，调用方不需要知道它们的区别。

所以我 fork 了 RobViren 的 kvoicewalk，在他人已经搭建好的 repo 上又新搭上了一层 Gateway。把”怎么合成语音”这件事从具体的场景里抽出来，变成一个谁都能调的服务。早安管线调它，Hammerspoon 快捷键调它，未来的任何应用都能调它。

从一百多行的脚本到一个多语言 TTS 服务，这条管线的成长方向很简单：把重复的东西抽出来，让它能被更多人、更多场景复用。

再听英文

刚才那段是日文。现在听英文：

源音频：一段英文角色台词录音。

Kokoro-82M 英文推理。af_civilight.pt 是微调过的英文音色。

这两段音频走的是同一个接口。对调用方来说，语言没有区别。

现在

每天 22:00，launchd 触发早安管线。LLM 生成一段角色风格的日文文本，GPT-SoVITS 合成语音，存到 iCloud Drive。第二天早上醒来，拿起手机，她已经在那了。

Gateway 跑在我的 Mac 上，登录自启，崩溃重启。GPT-SoVITS 也是。

读到什么想听的，选中，复制，⌘⌥R。听到她的声音在我耳边重现。

挺好的。

我做了什么

fork 了 RobViren 的 kvoicewalk，加了 GPTSoVITSAdapter 实现日文/英文双引擎路由，重构了 voice_map 支持多引擎分层，部署了 launchd 自启。代码在 github.com/Kamlin6/kvoicewalk。

如果你想看我为什么这么设计，去那篇：人的第一份”脚本”。